バッチ内の画像の構成を変更する方法はありますか?現時点では、私が作成しているとき、例えばサイズが4のバッチは、次のようになります。
バッチ1:[Img0 Img1 Img2 Img3]
バッチ2:[Img4 Img5 Img6 Img7]
バッチの構成を変更して、次の画像に1回だけシフトするようにする必要があります。次に、次のようになります。
バッチ1:[Img0 Img1 Img2 Img3]
バッチ2:[Img1 Img2 Img3 Img4]
バッチ3:[Img2 Img3 Img4 Img5]
バッチ4:[Img3 Img4 Img5 Img6]
バッチ5:[Img4 Img5 Img6 Img7]
次のように見えるTensorflowのデータセットAPIをコードで使用しています。
def tfrecords_train_input(input_dir, examples, epochs, nsensors, past, future,
features, batch_size, threads, shuffle, record_type):
filenames = sorted(
[os.path.join(input_dir, f) for f in os.listdir(input_dir)])
num_records = 0
for fn in filenames:
for _ in tf.python_io.tf_record_iterator(fn):
num_records += 1
print("Number of files to use:", len(filenames), "/ Total records to use:", num_records)
dataset = tf.data.TFRecordDataset(filenames)
# Parse records
read_proto = partial(record_type().read_proto, nsensors=nsensors, past=past,
future=future, features=features)
# Parallelize Data Transformation on available GPU
dataset = dataset.map(map_func=read_proto, num_parallel_calls=threads)
# Cache data
dataset = dataset.cache()
# repeat after shuffling
dataset = dataset.repeat(epochs)
# Batch data
dataset = dataset.batch(batch_size)
# Efficient Pipelining
dataset = dataset.prefetch(2)
iterator = dataset.make_one_shot_iterator()
return iterator
sliding window
のtf.data.Dataset
バッチ操作を使用して実現できます。
例:
from tensorflow.contrib.data.python.ops import sliding
imgs = tf.constant(['img0','img1', 'img2','img3', 'img4','img5', 'img6', 'img7'])
labels = tf.constant([0, 0, 0, 1, 1, 1, 0, 0])
# create TensorFlow Dataset object
data = tf.data.Dataset.from_tensor_slices((imgs, labels))
# sliding window batch
window = 4
stride = 1
data = data.apply(sliding.sliding_window_batch(window, stride))
# create TensorFlow Iterator object
iterator = tf.data.Iterator.from_structure(data.output_types,data.output_shapes)
next_element = iterator.get_next()
# create initialization ops
init_op = iterator.make_initializer(data)
with tf.Session() as sess:
# initialize the iterator on the data
sess.run(init_op)
while True:
try:
elem = sess.run(next_element)
print(elem)
except tf.errors.OutOfRangeError:
print("End of dataset.")
break
出力:
(array([b'img0', b'img1', b'img2', b'img3'], dtype=object), array([0, 0, 0, 1], dtype=int32))
(array([b'img1', b'img2', b'img3', b'img4'], dtype=object), array([0, 0, 1, 1], dtype=int32))
(array([b'img2', b'img3', b'img4', b'img5'], dtype=object), array([0, 1, 1, 1], dtype=int32))
(array([b'img3', b'img4', b'img5', b'img6'], dtype=object), array([1, 1, 1, 0], dtype=int32))
(array([b'img4', b'img5', b'img6', b'img7'], dtype=object), array([1, 1, 0, 0], dtype=int32))
元の投稿への回答と、vijayの応答に対する@cabbage_soupのコメントへの回答:
効率的なスライディングウィンドウを実現するには、次のコードを使用できます。
data = data.window(size=batch_size, stride=1, shift=1, drop_remainder=True ) data = data.interleave( lambda *window: tf.data.Dataset.Zip(Tuple([w.batch(batch_size) for w in window])), cycle_length=10, block_length=10 ,num_parallel_calls=4 )
このウィンドウ変換中に処理を並行して実行できるため、flat_mapの代わりにインターリーブが使用されます。
ドキュメントを参照して、ハードウェアとデータに適したcycle_length、block_length、およびnum_parallel_callsの値を選択してください。