讀取多個圖像，其中處理一個圖像，並通過模型

Question

喂有一種方法來構建在Tensorflow下圖：

1. 負載一些N個圖像使用TF隊列和TF（N可爲每個組變化）圖像讀者。
2. 處理這些圖像以獲得固定大小的圖像並準備批次。
   1. 我試圖建立TF數據加載一部分，而不是Python的功能和feed_dict：
   2. 通過CNN模型訂閱這些批次

   一些問題/信息。我想，與Python和feed_dict相比，TF Data加載可以更快地訓練模型。是對的嗎 ？

3. 建立小N的圖（N < 5）很簡單。爲N中的每個圖像定義獨佔節點並對它們進行處理。 （working）
4. 我可以使用TF「while_loop」來構建這樣的功能來讀取N個圖像嗎？
5. Keras是否支持這種功能？

感謝您的建議。

Answer 1

我剛剛做了這個最後一週！這真是太棒了，我通過使用諸如tf.map_fn和tf.cond之類的東西瞭解了大量張量流。它的工作。

這個星期我只是重構我的代碼，以消除所有，因爲這是一個壞主意。

問題我跑進：

1. 在tensorflow做預處理是凌亂的調試。做適當的TDD在這裏肯定會讓你受益，但是仍然不會特別漂亮或者容易調試。
2. 你應該將預處理卸載到CPU並離開GPU（假設你正在使用一個）來進行訓練。一個更好的方法是隻有一個隊列，並從專用於預處理任務的線程/類中加載它。在numpy/scikit/scikit-image中進行工作將會更容易配置和測試。
3. 我以爲我太聰明瞭，把我的所有代碼都集中到一個模型中。但是預處理的複雜性意味着我的模型很難迭代，它很快就會變成嚴格的代碼 - 例如當我添加測試集評估時，預處理要求稍有不同。突然間，我不得不向模型中添加大量的條件代碼，並且它變得很難看。

這就是說，我的預處理步驟可能比您的預處理步驟更復雜。如果你堅持簡單的事情，你可以應用一些簡單的圖像預處理步驟，你可能會更容易地採取這種方法。

具體回答你的問題：

1. 隊列不會給超過feed_dict任何好處，我知道的。您仍然存在將數據從CPU上的TF隊列移動到GPU內存的問題，每次迭代都與feed_dict相同，請觀看此線程，如果您關心該主題，GPU隊列即將到來：https://github.com/tensorflow/tensorflow/issues/7679

2. 您應該只是dequeue_many從隊列中，作爲批處理。如果您需要對每張圖片做一些操作，只需使用tf.map_fn即可刪除第一個維度，並將單個3D圖像傳遞到您指定的功能。但是當你走這條路時，請注意上面的警告 - 你可能會更快樂，只是在單獨的線程中做這件事。

3. 已經在＃2中回答了，請使用tf.map_fn來批量處理多個圖像。實際使用非常簡單。

4. 我不知道凱拉斯。