Как дать изображения разных размеров для модели cnn в keras / tenorflow - PullRequest
Новая
       55

Как дать изображения разных размеров для модели cnn в keras / tenorflow

0 голосов
/ 03 мая 2018

Я запутался в том, как вводить изображения двух размеров, и он также не может использовать изменение размера и обрезку. Я видел этот вопрос , но он также не разрешен. Это мой код, но я получаю ошибку следования :

StopIteration: объект 'NoneType' не может быть интерпретирован как целое число

Я надеюсь, что вы можете дать мне несколько советов 

model = Sequential()
model.add(Conv2D(filters=6,kernel_size=(5,5),padding='same',input_shape=(None,None,3)))
model.add(Activation('tanh'))  
model.add(MaxPooling2D(pool_size=(2,2))) 

model.add(Conv2D(filters=16,kernel_size=(5,5),padding='same'))  
model.add(Activation('tanh')) 
model.add(GlobalAveragePooling2D())
model.add(Dense(1))  
model.add(Activation('sigmoid'))
#sgd = optimizers.RMSprop(lr=0.01, clipvalue=0.5)
model.compile(loss='binary_crossentropy',#'binary_crossentropy'categorical_crossentropy,
              optimizer='sgd',
              metrics=['accuracy'],
              )
train_datagen = ImageDataGenerator(rescale=1./255,
                                   vertical_flip=True,
                                   horizontal_flip=True)

test_datagen = ImageDataGenerator(rescale=1./255)

train_generator = train_datagen.flow_from_directory(
        train_data_dir,
        target_size=(img_width, img_height),
        batch_size=batch_size,
        class_mode='binary')#'binary'categorical)

validation_generator = test_datagen.flow_from_directory(
        validation_data_dir,
        target_size=(img_width, img_height),
        batch_size=batch_size,
        class_mode='binary')#'binary')

early_stopping = EarlyStopping(monitor='val_acc',patience=10,mode='max')
model.fit_generator(train_generator,
                    steps_per_epoch=nb_train_samples//batch_size,
                    epochs=nb_epoch,
                    validation_data=validation_generator,
                    validation_steps=nb_validation_samples,
                    callbacks=[early_stopping,
                               TensorBoard(log_dir='C:\\Users\\ccri\\Desktop\\new\\iou30\\426\\lenet\\log', write_images=True),
                               ModelCheckpoint(filepath='C:\\Users\\ccri\\Desktop\\new\\iou30\\426\\lenet\\canshu\\weights.{epoch:02d}-{val_loss:.2f}.h5', 
                               monitor='val_acc',                                   
                               save_best_only=True,
                               mode='auto')]
)

Ответы [ 2 ]

0 голосов
/ 03 мая 2018

Единственным ограничением является создание массива, который может вместить изображения разных размеров.

Вы можете решить эту проблему, используя batch_size=1 (тогда ваши массивы никогда не будут несовместимы).

Или вы можете попытаться вручную сгруппировать все изображения одинакового размера в массив, обучить этот массив как большой пакет, а затем сделать то же самое для других размеров.

0 голосов
/ 03 мая 2018

Боюсь, что это невозможно. Как будет обновляться весовая матрица?

Предположим, вы инициализируете его для 2x2 матрицы: 

a b
c d

После того, как вы потренировались на 2x2 изображениях, предположим, вы захотите потренироваться на 4x4 изображениях. Как бы это выглядело? Куда пойдут элементы a, b, c и d? Верхний левый? Средний? В правом верхнем углу? Вы бы сгенерировали новый? Это отбросило бы весь прогресс обучения до настоящего момента.

Я бы действительно предложил изменить масштаб всех изображений до общей ширины и высоты. Если это невозможно, и у вас есть сравнительно большое количество примеров для каждой ширины и высоты, вы можете просто создать несколько нейронных сетей (N1, N2, ...) и, теоретически, как только вы попадете на слой, имеющий одинаковую форму независимо от входного изображения переключаются на общую нейронную сеть N_shared. Однако вам нужно много примеров из каждой категории.

...