Question

我已经训练了如下的深度学习模型，它是VGG16的分类器基础。

model = tf.keras.models.Sequential([
tf.keras.layers.Dense(256, activation='relu', input_dim=4 * 4 * 512),
tf.keras.layers.Dropout(0.5),
tf.keras.layers.Dense(1, activation='sigmoid')

1-我的模型接受形状为（1,8192）的张量进行预测。

2-我有形状（150,150,3）的测试图像，这些图像被转换为数组。

3-现在，我想要一种将我的（150,150,3）图像转换为形状为（1,8192）的张量的方法。

Answer 1

输入维度似乎非常随意，不适合任务。如果您非常顽固地进行下去，则可以将其转换为1d数组并像这样重新采样：

import numpy as np 
from scipy import signal

image = np.random.rand(150,150,3)
image_8192 = signal.resample(image.ravel(), 8192)

...但这是一个非常糟糕的主意。稍微聪明一点的方法是先对图像进行降采样，方法是先将其转换为灰度，然后再降采样：

from skimage.color import rgb2gray
from skimage.transform import resize

grayscale = rgb2gray(image) 
grayscale_91pix = resize(image, (91, 91)) # size 8291
image_8192 = signal.resample(grayscale_91pix.ravel(), 8192)

它仍然不是很好，但是比幼稚的方法要好。

如何将形状数组（150,150,3）重塑为形状数组（1,8192）

1 个答案: