如何随机裁剪未标记的 tensorflow 数据集？ ValueError：尺寸必须相等，但为 4 和 3

Question

我正在尝试在使用 tensorflow 数据集加载图像时增加（随机裁剪）图像。 当我在映射的 function 中调用方法tf.image.random_crop时出现此错误：

    ValueError: Dimensions must be equal, but are 4 and 3 for '{{node random_crop/GreaterEqual}} = GreaterEqual[T=DT_INT32](random_crop/Shape, random_crop/size)' with input shapes: [4], [3].

为了重现错误，只需在目录中放置一些 png 图像：

./img/class0/

然后运行这段代码：

import os
import tensorflow as tf

train_set_raw = tf.keras.preprocessing.image_dataset_from_directory('./img',label_mode=None,validation_split=None,batch_size=32)

def augment(tensor):
    tensor = tf.cast(x=tensor, dtype=tf.float32)
    tensor = tf.divide(x=tensor, y=tf.constant(255.))
    tensor = tf.image.random_crop(value=tensor, size=(256, 256, 3))
    return tensor

train_set_raw = train_set_raw.map(augment).batch(32)

如果我明确指定批量大小，

tensor = tf.image.random_crop(value=tensor, size=(32,256, 256, 3))

可以对错误进行排序。 但是，如果您尝试将 model 与使用固定批量大小创建的数据集拟合，您将收到错误消息：

tensorflow.python.framework.errors_impl.InvalidArgumentError: assertion failed: [Need value.shape >= size, got ] [1 256 256 3] [32 256 256 3]
 [[{{node random_crop/Assert/Assert}}]]

Answer 1

尝试使用 1 的批量大小：

tensor = tf.image.random_crop(value=tensor, size=(1,256, 256, 3))

但我认为您不应该将高级数据加载器与低级tf.data.Dataset 。 尝试仅使用后者。

import tensorflow as tf

image_dir = r'C:\Users\user\Pictures'

files = tf.data.Dataset.list_files(image_dir + '\\*jpg')

def load(filepath):
    image = tf.io.read_file(filepath)
    image = tf.image.decode_image(image)
    return image

ds = files.map(load)

def augment(tensor):
    tensor = tf.cast(x=tensor, dtype=tf.float32)
    tensor = tf.divide(x=tensor, y=tf.constant(255.))
    tensor = tf.image.random_crop(value=tensor, size=(100, 100, 3))
    random_target = tf.random.uniform((1,), dtype=tf.int32, maxval=2)
    return tensor, random_target

train_set_raw = ds.map(augment).batch(32)

model = tf.keras.Sequential([
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(8, activation='relu'),
    tf.keras.layers.Dense(1, activation='sigmoid')
])

model.compile(loss='binary_crossentropy', optimizer='adam')

history = model.fit(train_set_raw)