Тензорное дискретное косинусное преобразование в 2D очень медленное - PullRequest
Новая
       19

Тензорное дискретное косинусное преобразование в 2D очень медленное

0 голосов
/ 08 мая 2019

Я строю образец нейронной сети, которая принимает преобразованные косинусом изображения MNIST в 2D и имеет первый слой, который преобразует их в обратный косинус.Тем не менее, это очень медленно и занимает 4,5 минуты на каждую эпоху, чтобы тренироваться.Тензор потока не имеет встроенного 2D косинусного преобразования или обратного преобразования;Кто-нибудь может предложить альтернативы или любой способ сделать это быстрее? 

import itertools
import numpy as np
import matplotlib.pyplot as plt 
import keras
from keras.datasets import mnist
from keras.models import load_model, Sequential
from keras.layers import Dense, Dropout, Flatten, Lambda
from keras.layers import Conv2D, MaxPooling2D
from keras import backend as K
from keras.datasets import cifar10
import tensorflow as tf

def idct2d_tf(img_batch):
  img_new = tf.transpose(img_batch, perm=(0, 3, 1, 2))
  img_new = tf.spectral.idct(img_new)
  img_new = tf.transpose(img_new, perm=(0, 1, 3, 2))
  img_new = tf.spectral.idct(img_new)
  img_new = tf.transpose(img_new, perm=(0, 2, 3, 1))
  return img_new

# train model, has IDCT layer first, accepts DCT of MNIST images 
model = Sequential()
model.add(Lambda(idct2d_tf, output_shape=(img_rows, img_cols, 1)))
model.add(Conv2D(32, kernel_size=(3, 3),
                 activation='relu',
                 input_shape=input_shape))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(num_classes, activation='softmax'))

model.compile(loss=keras.losses.categorical_crossentropy,
              optimizer=keras.optimizers.Adadelta(),
              metrics=['accuracy'])

model.fit(x_train_dct, y_train,
          batch_size=batch_size,
          epochs=epochs,
          verbose=1,
          validation_data=(x_test_dct, y_test))
score = model.evaluate(x_test_dct, y_test, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])

РЕДАКТИРОВАТЬ: добавлены функции для генерации входных данных: 

from scipy.fftpack import dct, idct
def dct2(block):
  return dct(dct(block.T, norm='ortho').T, norm='ortho')

def idct2(block):
  return idct(idct(block.T, norm='ortho').T, norm='ortho')

# keras example that achieves 99.25% accuracy on MNIST 
batch_size = 128
num_classes = 10
epochs = 12

# input image dimensions
img_rows, img_cols = 28, 28

# the data, split between train and test sets
(x_train, y_train), (x_test, y_test) = mnist.load_data()

x_train = x_train.astype('float32')
x_test = x_test.astype('float32')
x_train /= 255
x_test /= 255
print('x_train shape:', x_train.shape)
print(x_train.shape[0], 'train samples')
print(x_test.shape[0], 'test samples')

x_train_dct = np.array([dct2(img) for img in x_train])
x_train_dct = x_train_dct.reshape((x_train_dct.shape[0], img_rows, img_cols, 1))
x_test_dct = np.array([dct2(img) for img in x_test])
x_test_dct = x_test_dct.reshape((x_test_dct.shape[0], img_rows, img_cols, 1))
input_shape = (img_rows, img_cols, 1)

# convert class vectors to binary class matrices
y_train = keras.utils.to_categorical(y_train, num_classes)
y_test = keras.utils.to_categorical(y_test, num_classes)
...