规范化 tf.data.Dataset

Question

我有一个 tf.data.Dataset 图像的输入形状（批量大小，128, 128, 2）和目标形状（批量大小，128, 128, 1），其中输入是 2 通道图像（复值具有两个通道的图像表示实部和虚部），目标是 1 通道图像（实值图像）。 我需要先从输入和目标图像中删除它们的平均图像，然后将它们缩放到 (0,1) 范围来标准化输入和目标图像。 如果我没记错的话， tf.data.Dataset 一次只能处理一批，而不是整个数据集。 所以我从'remove_mean'py_function中的批次中的每个图像中删除批次的平均图像，然后通过减去其最小值并除以其最大值和最小值的差将每个图像缩放到（0,1） py_function 'linear_scaling'。 但是在应用函数之前和之后从数据集中打印输入图像的最小值和最大值后，图像值没有变化。 任何人都可以建议这可能出了什么问题吗？

def remove_mean(image, target):
    image_mean = np.mean(image, axis=0)
    target_mean = np.mean(target, axis=0)
    image = image - image_mean
    target = target - target_mean
    return image, target

def linear_scaling(image, target):
    image_min = np.ndarray.min(image, axis=(1,2), keepdims=True)
    image_max = np.ndarray.max(image, axis=(1,2), keepdims=True)
    image = (image-image_min)/(image_max-image_min)

    target_min = np.ndarray.min(target, axis=(1,2), keepdims=True)
    target_max = np.ndarray.max(target, axis=(1,2), keepdims=True)
    target = (target-target_min)/(target_max-target_min)
    return image, target

a, b = next(iter(train_dataset))
print(tf.math.reduce_min(a[0,:,:,:]))

train_dataset.map(lambda item1, item2: tuple(tf.py_function(remove_mean, [item1, item2], [tf.float32, tf.float32])))
test_dataset.map(lambda item1, item2: tuple(tf.py_function(remove_mean, [item1, item2], [tf.float32, tf.float32])))

a, b = next(iter(train_dataset))
print(tf.math.reduce_min(a[0,:,:,:]))

train_dataset.map(lambda item1, item2: tuple(tf.py_function(linear_scaling, [item1, item2], [tf.float32])))
test_dataset.map(lambda item1, item2: tuple(tf.py_function(linear_scaling, [item1, item2], [tf.float32])))

a, b = next(iter(train_dataset))
print(tf.math.reduce_min(a[0,:,:,:]))


Output -

tf.Tensor(-0.00040511801, shape=(), dtype=float32)
tf.Tensor(-0.00040511801, shape=(), dtype=float32)
tf.Tensor(-0.00040511801, shape=(), dtype=float32)

Answer 1

map不是就地操作，因此当您执行train_dataset.map(....)时，您的train_dataset不会更改。

做train_dataset = train_dataset.map(...)