tenorflow cifar10 изменение кода для чтения изображений

Question

Я пытаюсь изменить код cifar10.py, чтобы иметь возможность передавать изображения в сеть.

Я действительно могу запустить код и начать учебный процесс, но через некоторое время, если я запустил тензограмму, под разделом «изображения» у меня всегда будет одно и то же изображение. Кроме того, кроссентропия стремится к нулю. Я думаю, что неправильно загружаю изображения.

Вот код

def distorted_inputs(): 
    #Reading the dirs file where all the directories of the images are stored 
    filedirs = [line.rstrip('\n') for line in open('image_dirs.txt')] 

    #create a list of files 
    filenames = [] 
    i = 0 

    for f in filedirs: 
     png_files_path = glob.glob(os.path.join(f, '*.[pP][nN][gG]')) 
     print('found ' + str(len(png_files_path)) + ' files in ' + f) 
     for filename in png_files_path: 
     #storing file_name label 
     s = filename + " " + str(i) 
     filenames.append(s) 
     i = i+1 

    # Create a queue that produces the filenames to read and the labels 
    filename_queue = tf.train.string_input_producer(filenames) 

    my_img, label = read_my_file_format(filename_queue.dequeue())   
    label = tf.string_to_number(label, tf.int32) 
    init_op = tf.initialize_all_variables() 
    with tf.Session() as sess: 
     sess.run(init_op) 

     # Start populating the filename queue. 
     coord = tf.train.Coordinator() 
     threads = tf.train.start_queue_runners(coord=coord) 

     image = my_img.eval() 

     coord.request_stop() 
     coord.join(threads) 

    reshaped_image = tf.cast(image, tf.float32) 

    resized_image = tf.image.resize_image_with_crop_or_pad(reshaped_image,IMAGE_SIZE, IMAGE_SIZE) 

    distorted_image = tf.image.random_crop(reshaped_image, [24, 24]) 

    # Randomly flip the image horizontally. 
    distorted_image = tf.image.random_flip_left_right(distorted_image) 

    # Because these operations are not commutative, consider randomizing 
    # randomize the order their operation. 
    distorted_image = tf.image.random_brightness(distorted_image,max_delta=63) 
    distorted_image = tf.image.random_contrast(distorted_image,lower=0.2, upper=1.8) 

    # Subtract off the mean and divide by the variance of the pixels. 
    float_image = tf.image.per_image_whitening(distorted_image) 

    # Ensure that the random shuffling has good mixing properties. 
    min_fraction_of_examples_in_queue = 0.4 
    min_queue_examples = int(NUM_EXAMPLES_PER_EPOCH_FOR_TRAIN *min_fraction_of_examples_in_queue) 
    print ('Filling queue with ITSD images before starting to train. ''This will take a few minutes.') 

    # Generate a batch of images and labels by building up a queue of examples. 
    return _generate_image_and_label_batch(float_image, label, min_queue_examples) 

Изображение чтения часть приходит из https://github.com/HamedMP/ImageFlow Обычай читатель приходит от Tensorflow read images with labels и относительная функция реализована в виде следующих

def read_my_file_format(filename_and_label_tensor): 
    """Consumes a single filename and label as a ' '-delimited string. 

    Args: 
    filename_and_label_tensor: A scalar string tensor. 

    Returns: 
    Two tensors: the decoded image, and the string label. 
    """ 
    filename, label = tf.decode_csv(filename_and_label_tensor, [[""], [""]], " ") 

    file_contents = tf.read_file(filename) 
    example = tf.image.decode_png(file_contents) 
    return example, label 

Благодарности

Answer 1

You может использовать этот кусок кода, созданный мной, для моей проблемы классификации:

 resized_image = cv2.resize(image, (WIDTH, HEIGHT)) 
     label = np.uint8(nclass) 

     arr = np.uint8([0 for x in range(image_bytes)]) 
     # fill the label: 
     arr[0] = label 
     arr_cnt = 1 

     # fill the image (row-major order). first R values, then G values then B values 
     for y in range(0, HEIGHT): 
      for x in range(0, WIDTH): 
       arr[arr_cnt] = np.uint8(resized_image[x, y, 2]) # R 
       arr[arr_cnt + 1024] = np.uint8(resized_image[x, y, 1]) # G 
       arr[arr_cnt + 2048] = np.uint8(resized_image[x, y, 0]) # B 

       arr_cnt += 1 

     print "train arr:", arr[0], arr[3072] 
     train_arr = np.append(train_arr, arr) 
     #print train_arr[file_in_dir*3073] 
    else: 
     invalids_cnt += 1 
     #print "image", files_in_dir[file_in_dir], "is invalid" 

    # Write array to train.bin file: 
with open('data_batch_%d.bin' % nclass, 'wb') as f: 
     f.write(train_arr) 
     f.close() 

Здесь измененное изображение представляет собой измененную версию одного изображения «изображение». Затем я создаю массив с 3073 байтами: 1-й байт = метка, следующий 1024 байта = красные значения изображения, следующие 1024 байта = зеленые значения изображения, следующие 1024 байта = синие значения изображения.

Я делаю это для каждого входного изображения, а затем объединить его в большой двоичный массив, который записывается в виде двоичного файла «data_batch_% г»

Я разместил свой полный сценарий (может быть сложнее для понимания общие цели): gist