Question

我想使用TensorFlow＆＃39; s batch_rot90(batch_of_images)创建一个函数tf.image.rot90()，后者一次只拍摄一张图像，前者应该一次拍摄一批n张图像（shape = [N，X，Y，F]）。

很自然地，人们应该仔细检查批处理中的所有图像并逐个旋转它们。在numpy中，这看起来像：

def batch_rot90(batch):
  for i in range(batch.shape[0]):
    batch_of_images[i] = rot90(batch[i,:,:,:])
  return batch

TensorFlow是如何完成的？使用tf.while_loop我得到了他的远：

batch = tf.placeholder(tf.float32, shape=[2, 256, 256, 4])    
def batch_rot90(batch, k, name=''):
      i = tf.constant(0)
      def cond(batch, i):
        return tf.less(i, tf.shape(batch)[0])
      def body(im, i):
        batch[i] = tf.image.rot90(batch[i], k)
        i = tf.add(i, 1)
        return batch, i  
      r = tf.while_loop(cond, body, [batch, i])
      return r

但是不允许分配给im[i]，我对使用r返回的内容感到困惑。

我意识到使用tf.batch_to_space()可能有针对此特定情况的解决方法，但我相信它也应该可以使用某种循环。

Answer 1

tf中有一个map函数，可以工作：

def batch_rot90(batch, k, name=''):
  fun = lambda x: tf.images.rot90(x, k = 1)
  return = tf.map_fn(fun, batch)

Answer 2

更新的答案：

x = tf.placeholder(tf.float32, shape=[2, 3])

def cond(batch, output, i):
    return tf.less(i, tf.shape(batch)[0])

def body(batch, output, i):
    output = output.write(i, tf.add(batch[i], 10))
    return batch, output, i + 1

# TensorArray is a data structure that support dynamic writing
output_ta = tf.TensorArray(dtype=tf.float32,
               size=0,
               dynamic_size=True,
               element_shape=(x.get_shape()[1],))
_, output_op, _  = tf.while_loop(cond, body, [x, output_ta, 0])
output_op = output_op.stack()

with tf.Session() as sess:
    print(sess.run(output_op, feed_dict={x: [[1, 2, 3], [0, 0, 0]]}))

我认为您应该考虑使用tf.scatter_update更新批处理中的一个图像，而不是使用batch[i] = ...。有关详细信息，请参阅this link。在你的情况下，我建议将身体的第一行改为：

~~tf.scatter_update(batch, i, tf.image.rot90(batch[i], k))~~

如何在TensorFlow中循环遍历张量的元素？

2 个答案: