我建立了一个网络,试图预测表面温度的栅格图像。
网络的输出是一个(1000, 1000)
大小的数组,代表一个光栅图像。为了进行训练和测试,将它们与各自样本的真实栅格进行比较。
我了解如何add the training image to my TensorBoard callback,但我也想将网络的输出图像添加到回调中,以便可以直观地进行比较。这可能吗?
x = Input(shape = (2))
x = Dense(4)(x)
x = Reshape((2, 2))(x)
Reshape
将是最后一层(或在某个反卷积层之前)。
答案 0 :(得分:1)
根据您使用的tensorflow
版本,我将建议2种不同的代码。我将假定您使用> 2.0
并将用于该版本的代码发布到图像到图像模型。我基本上用一个嘈杂的图像(我正在做降噪,但您可以轻松地适应您的问题)和相应的地面真实情况图像来初始化回调。然后,我使用模型在每个时期之后进行推断。
"""Inspired by https://github.com/sicara/tf-explain/blob/master/tf_explain/callbacks/grad_cam.py"""
import numpy as np
import tensorflow as tf
from tensorflow.keras.callbacks import Callback
class TensorBoardImage(Callback):
def __init__(self, log_dir, image, noisy_image):
super().__init__()
self.log_dir = log_dir
self.image = image
self.noisy_image = noisy_image
def set_model(self, model):
self.model = model
self.writer = tf.summary.create_file_writer(self.log_dir, filename_suffix='images')
def on_train_begin(self, _):
self.write_image(self.image, 'Original Image', 0)
def on_train_end(self, _):
self.writer.close()
def write_image(self, image, tag, epoch):
image_to_write = np.copy(image)
image_to_write -= image_to_write.min()
image_to_write /= image_to_write.max()
with self.writer.as_default():
tf.summary.image(tag, image_to_write, step=epoch)
def on_epoch_end(self, epoch, logs={}):
denoised_image = self.model.predict_on_batch(self.noisy_image)
self.write_image(denoised_image, 'Denoised Image', epoch)
因此通常,您将通过以下方式使用此方法:
# define the model
model = Model(inputs, outputs)
# define the callback
image_tboard_cback = TensorBoardImage(
log_dir=log_dir + '/images',
image=val_gt[0:1],
noisy_image=val_noisy[0:1],
)
# fit the model
model.fit(
x,
y,
callbacks=[tboard_cback,],
)
如果您使用的是2.0
之前的版本,则可以直接转到我写的this gist(有点复杂)。