Question

在此丢失函数中，我需要创建完整的度量标准，具体取决于批处理中的图像数量和图像大小。但是，我可以从y_pred获取图像大小，但不能从批处理大小中获取图像，因为在初始化图形时，图像大小为None。

def focal_loss(content, label_remap, gamma_=2, w_d=1e-4):
def focal_loss_fixed(y_true, y_pred):
    num_classes = len(content.keys())
    print("y_true_b", y_true.get_shape().as_list())

    cv_eqation = K.constant([0.114, 0.587, 0.299])
    y_true = tf.multiply(y_true, cv_eqation)
    y_true = tf.reduce_sum(y_true, axis=3)
    y_true = tf.cast(y_true, dtype=tf.uint8)

    lbls_resized = y_true
    logits_train = y_pred

    b, c, w, h = K.int_shape(y_pred)
    batch = K.constant(b)
    channel = K.variable(c)
    width = K.variable(w)
    high = K.variable(h)
    with tf.variable_scope("loss"):
        ......
        # make the labels one-hot for the cross-entropy
        onehot_mat = tf.reshape(tf.one_hot(lbls_resized, num_classes), (-1, num_classes))

        # focal loss p and gamma
        gamma = np.full((high * width * batch, channel), fill_value=gamma_)
        print("gamma", gamma.shape)
        .........
    return loss
return focal_loss_fixed

此外，我通过使用onehot_mat形状尝试了另一种方法，但是它的形状没有任何价值。

Answer 1

请参阅this answer。听起来您想了解张量的动态形状，但正在使用静态形状。您需要使用tf.shape来获取运行时批处理的动态形状，而不是get_shape来获取构建网络时已知的静态形状。{p>

更新：对于您的特定任务，在我看来，您似乎正在尝试创建一个张量，该张量的形状取决于当前的批处理大小。我认为您可以执行以下操作：

import tensorflow as tf
import numpy as np

vector = tf.Variable(tf.random_normal([3], stddev=0.1), name="weights")
batch = tf.placeholder(tf.float32, shape=[None,2,2])

vector_times_batchsize = tf.tile(vector, tf.shape(batch)[0:1])

init_all_op = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init_all_op)
    print sess.run(vector_times_batchsize, feed_dict={batch: np.zeros((5,2,2), np.float32)}).shape

这将通过根据张量gamma_image的第一维的形状重复batch张量来创建新张量。

请注意，您不能使用numpy函数，因为此张量的创建必须是tensorflow图的一部分，因为只有在运行时才知道该sice，而在创建图时才知道。

Keras从侧面自定义损失函数中从y_pred获取批次的图像数量

1 个答案: