小编sim*_*o23的帖子

我想用张量"图像"来提供CNN.当占位符is_training为True时,我希望此张量包含来自训练集的图像(具有FIXED大小),否则我希望它包含来自测试集的图像(其未固定大小).

这是必要的,因为在训练中我从训练图像中采取随机固定裁剪,而在测试中我想进行密集评估并将整个图像馈送到网络内部(它完全卷积,因此它将接受它们)

当前的NOT WORKING方法是创建两个不同的迭代器,并尝试在session.run(images,{is_training:True/False})中使用tf.cond选择训练/测试输入.

问题是两个迭代器都被评估了.训练和测试数据集也有不同的大小,所以我不能迭代它们直到最后.有没有办法让这项工作？或者以更聪明的方式重写它？

我已经看到了一些有关这方面的问题/答案,但他们总是使用tf.assign,它采用numpy数组并将其分配给张量.在这种情况下,我不能使用tf.assign,因为我已经有一个来自迭代器的张量.

我拥有的当前代码就是这个代码.它只是检查张量"图像"的形状:

train_filenames, train_labels = list_images(args.train_dir)
val_filenames, val_labels = list_images(args.val_dir)

graph = tf.Graph()
with graph.as_default():

    # Preprocessing (for both training and validation):
    def _parse_function(filename, label):
        image_string = tf.read_file(filename)
        image_decoded = tf.image.decode_jpeg(image_string, channels=3)          
        image = tf.cast(image_decoded, tf.float32)

        return image, label

    # Preprocessing (for training)
    def training_preprocess(image, label):

        # Random flip and crop
        image = tf.image.random_flip_left_right(image)
        image = tf.random_crop(image, [args.crop,args.crop, 3])

        return image, label

    # Preprocessing (for validation)
    def val_preprocess(image, label):

        flipped_image = tf.image.flip_left_right(image)
        batch = tf.stack([image,flipped_image],axis=0) …