tensorflow：结合 to_categorical() 与 Datasets 和 map()

Question

简而言之，我正在努力尝试将 a 中的图像每像素类别掩码tf.data.Dataset从整数类编码转换为单热编码。

考虑这里的图像分割 tensorflow 教程示例：https ://www.tensorflow.org/tutorials/images/segmentation 。

输入是图像，输出是按像素整数标记的类别掩码。在他们的示例中，掩码在每个像素处都有一个由整数表示的类别值：{0、1 或 2}。

的train和test的变量的类型的tf.data.Dataset ，并且每个样品是（图像，掩模）元组。

这种形式的掩码/输出与sparse_categorical_crossentropy教程中的损失函数是一致的。但是，我希望能够使用其他需要单热编码的损失函数。

我一直在尝试tf.keras.utils.to_categorical()使用 map() 调用通过函数转换数据集，即：

    def mask_to_categorical(image, mask):
        mask = tf.keras.utils.to_categorical(mask,3)
        return image, mask

    train = train.map(mask_to_categorical)

但是，这失败并出现错误，例如：

    {...}/tensorflow_core/python/keras/utils/np_utils.py:40 to_categorical
        y = np.array(y, dtype='int')

    TypeError: __array__() takes 1 positional argument but 2 were given

---

笔记：

到目前为止，我的搜索指出急切/非急切问题是一个可能的原因。值得一提的是，我通过以下方式验证了我正在以 Eager 模式运行：

    >>> print('tf.executing_eagerly() = ', tf.executing_eagerly())

    tf.executing_eagerly() =  True

有什么建议？谢谢！

Answer 1

尝试修改您的单热编码函数，如下所示：

def mask_to_categorical(image, mask):
    mask = tf.one_hot(tf.cast(mask, tf.int32), 3)
    mask = tf.cast(mask, tf.float32)
    return image, mask