0

我有一个tf.data.Dataset具有输入形状（批量大小，128、128、2）和目标形状（批量大小，128、128、1）的图像，其中输入是 2 通道图像（复值图像，两个通道表示实部和虚部），目标是 1 通道图像（实值图像）。我需要通过首先从它们中删除它们的平均图像然后将它们缩放到（0,1）范围来规范化输入和目标图像。如果我没记错的话，tf.data.Dataset一次只能处理一个批次，而不是整个数据集。所以我从批次中的每个图像中删除批次的平均图像，remove_mean py_function然后通过减去它的最小值并除以它的最大值和最小值之差将每个图像缩放到 (0,1)py_function linear_scaling. 但是在应用函数之前和之后从数据集中打印输入图像中的最小值和最大值之后，图像值没有变化。谁能建议这可能出了什么问题？

def remove_mean(image, target):
    image_mean = np.mean(image, axis=0)
    target_mean = np.mean(target, axis=0)
    image = image - image_mean
    target = target - target_mean
    return image, target

def linear_scaling(image, target):
    image_min = np.ndarray.min(image, axis=(1,2), keepdims=True)
    image_max = np.ndarray.max(image, axis=(1,2), keepdims=True)
    image = (image-image_min)/(image_max-image_min)

    target_min = np.ndarray.min(target, axis=(1,2), keepdims=True)
    target_max = np.ndarray.max(target, axis=(1,2), keepdims=True)
    target = (target-target_min)/(target_max-target_min)
    return image, target

a, b = next(iter(train_dataset))
print(tf.math.reduce_min(a[0,:,:,:]))

train_dataset.map(lambda item1, item2: tuple(tf.py_function(remove_mean, [item1, item2], [tf.float32, tf.float32])))
test_dataset.map(lambda item1, item2: tuple(tf.py_function(remove_mean, [item1, item2], [tf.float32, tf.float32])))

a, b = next(iter(train_dataset))
print(tf.math.reduce_min(a[0,:,:,:]))

train_dataset.map(lambda item1, item2: tuple(tf.py_function(linear_scaling, [item1, item2], [tf.float32])))
test_dataset.map(lambda item1, item2: tuple(tf.py_function(linear_scaling, [item1, item2], [tf.float32])))

a, b = next(iter(train_dataset))
print(tf.math.reduce_min(a[0,:,:,:]))


Output -

tf.Tensor(-0.00040511801, shape=(), dtype=float32)
tf.Tensor(-0.00040511801, shape=(), dtype=float32)
tf.Tensor(-0.00040511801, shape=(), dtype=float32)
4

1 回答 1

1

map不是就地操作，所以train_dataset当你这样做时你不会改变train_dataset.map(....)。

做train_dataset = train_dataset.map(...)

于 2021-07-30T12:26:53.200 回答