Question

fq=glob.glob("*.jpg") # ['0.jpg','1.jpg','2.jpg','3.jpg','4.jpg'],labels for images=[1,1,1,0,0]
loss_op = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=onehot))

假设 2个类且批量大小为2 且 logits为[2,2]张量，我该如何制作"onehot"变量列表，其中包含一个热门编码标签，例如图像0,1,2 .jpg的 [1,0] 和图像的 [0,1] 3,4 .jpg。非常感谢:)）

Answer 1

如果您知道自己需要labels = [1, 1, 1, 0, 0]，请使用

tf.one_hot(labels, depth=2)

产生一个单热标签：

array([[ 0.,  1.],
       [ 0.,  1.],
       [ 0.,  1.],
       [ 1.,  0.],
       [ 1.,  0.]], dtype=float32)

注意tf.one_hot将1放入您提供的第一个输入所指示的索引中。另请注意，这是一个张量，所以如果你在笔记本中运行它然后尝试打印张量，你会得到类似的东西：

<tf.Tensor 'one_hot:0' shape=(5, 2) dtype=float32>

直到评估它是否具有上面显示的值，但这只是TensorFlow的作用。

因此，如果批量为2，则每个培训步骤为网络提供两个标签，然后将这些标签（在培训步骤或网络中）转换为一个标签。我会做类似的事情：

labels = tf.placeholder(tf.int32, [None])  # 'None' means it has one dimension that is determined by your batch size
# ... define your network ...
loss_op = tf.nn.softmax_cross_entropy_with_logits(logits=logits,
                                                  labels=tf.one_hot(labels))
loss_op = tf.reduce_mean(loss_op)

然后在你的训练过程中：

for _ in range(num_iter):
    d = # generate data batch
    t = # generate label batch, e.g. [1, 1] for the first two images
    _, batch_loss = sess.run([train_op, loss_op],
                             feed_dict={data: d, labels: t})

Answer 2

如果您的输入数组是NumPy数组，则可以使用np.eye：

label_array = np.array([1, 1, 1, 0, 0])
onehot_array = np.eye(2)[label_array]

结果是：[[0. 1.]，[0. 1.]，[0。1.]，[1. 0.]，[1. 0。]]

如何在tensorflow中为我导入的图像手动制作标签列表

2 个答案: