小编Ale*_*exP的帖子

大纲

我试图通过基于与图像相关联的一些“质心”数据（每个时间步的峰值）生成多项式来扭曲图像（时间序列中的光谱峰值，但这并不重要）和增加多项式。这些原始多项式和增广多项式分别构成了我的“源”点和“目标”点，我试图使用 skimage.transform.warp() 来扭曲图像。

这种扭曲的目标是产生两个扭曲的图像（即重复该过程两次）。然后这些图像将彼此正相关，或者如果两个扭曲图像之一水平翻转（同样，这里不那么重要）则负相关。

这是用于比较的示例输出：

（请注意，多项式增强是通过在每个多项式峰/谷处添加/减去噪声来执行的，与每个点的幅度（像素）成正比，然后通过这些增强点生成相同阶数的新多项式，在防止增广多项式取反的地方）。

代码片段

我通过创建 GeometricTransform 并将其作为 inverse_map 应用到 warp() 来在代码中实现这一点，如下所示：

from skimage import transform

# Create the transformation object using the source and destination (N, 2) arrays in reverse order
# (as there is no explicit way to do an inverse polynomial transformation).
t = transform.estimate_transform('polynomial', src=destination, dst=source, order=4)  # order = num_poly_degrees - 1

# Warp the original image using the transformation object
warped_image = transform.warp(image, t, order=0, mode='constant', cval=float('nan')) …

我已经训练了我的网络并生成了一些训练/验证损失，我通过以下代码示例保存了这些损失（仅训练损失示例，验证完全等效）：

valid_summary_writer = tf.summary.create_file_writer("/path/to/logs/")
with train_summary_writer.as_default():
    tf.summary.scalar('Training Loss', data=epoch_loss, step=current_step)

训练后，我想使用 Tensorboard 查看损失曲线。然而，因为我将损失曲线保存在“训练损失”和“验证损失”的名称下，这些曲线绘制在单独的图表上。我知道我应该将名称更改为简单的“丢失”以解决此问题，以便将来写入日志目录。但是我如何编辑我现有的训练/验证损失日志文件来解决这个问题？

我试图修改以下帖子的解决方案：https : //stackoverflow.com/a/55061404，它编辑日志文件的步骤并重新写入文件；我的版本涉及更改文件中的标签。但我在这方面没有成功。它还需要通过“tf.compat.v1”导入旧的 Tensorflow 代码。有没有办法实现这一点（可能在 TF 2.X 中）？

我曾想简单地从每个包含损失的日志目录中获取损失和步长值，并通过我以前的工作方法将它们写入新的日志文件，但我只设法获得了步长，而不是损失值本身。有没有人在这里取得成功？

---=== 编辑 ===---

我设法使用来自@jhedesa 的代码解决了这个问题

当我在 Google Colab Notebook 中协同使用 Tensorflow 时，我不得不稍微改变函数“rename_events_dir”的调用方式。为此，我更改了代码的最后部分，内容如下：

if __name__ == '__main__':
    if len(sys.argv) != 5:
        print(f'{sys.argv[0]} <input dir> <output dir> <old tags> <new tag>',
              file=sys.stderr)
        sys.exit(1)
    input_dir, output_dir, old_tags, new_tag = sys.argv[1:]
    old_tags = old_tags.split(';')
    rename_events_dir(input_dir, output_dir, old_tags, new_tag)
    print('Done')

要阅读此内容：

rootpath = '/path/to/model/'
dirlist = [dirname for dirname in os.listdir(rootpath) …

正如标题所示，我正在尝试基于 SimCLR 框架训练模型（见本文：https ://arxiv.org/pdf/2002.05709.pdf - NT_Xent 损失在等式（1）和算法 1 中说明） ）。

我设法创建了损失函数的 numpy 版本，但这不适合训练模型，因为 numpy 数组无法存储反向传播所需的信息。我很难将我的 numpy 代码转换为 Tensorflow。这是我的 numpy 版本：

import numpy as np
from sklearn.metrics.pairwise import cosine_similarity

# Define the contrastive loss function, NT_Xent
def NT_Xent(zi, zj, tau=1):
    """ Calculates the contrastive loss of the input data using NT_Xent. The
    equation can be found in the paper: https://arxiv.org/pdf/2002.05709.pdf
    
    Args:
        zi: One half of the input data, shape = (batch_size, feature_1, feature_2, ..., feature_N)
        zj: Other half of the …