TensorFlow 2.0 Keras：如何为TensorBoard编写图像摘要

TensorFlow 2.0 Keras：如何为TensorBoard编写图像摘要

除了提供您问题的答案外，我还将使代码更像

TF2.0

。如果您有任何疑问/需要澄清，请在下面发表评论。

1.加载数据

我建议使用Tensorflow
Datasets
库。如果可以在一行中完成数据，则绝对不需要加载数据

numpy

并将其转换为

tf.data.Dataset

：

import tensorflow_datasets as tfdsdataset = tfds.load("mnist", as_supervised=True, split=tfds.Split.TRAIN)

上面的行只会返回

TRAIN

split（在此处了解更多信息）。

2.定义扩充和摘要

为了保存图像，必须在每次遍历期间保留tf.summary.SummaryWriter对象。

我创建了一个带有

__call__

方法的便捷包装类，可轻松使用

tf.data.Dataset

的

map

功能：

import tensorflow as tfclass ExampleAugmentation:    def __init__(self, logdir: str, max_images: int, name: str):        self.file_writer = tf.summary.create_file_writer(logdir)        self.max_images: int = max_images        self.name: str = name        self._counter: int = 0    def __call__(self, image, label):        augmented_image = tf.image.random_flip_left_right( tf.image.random_flip_up_down(image)        )        with self.file_writer.as_default(): tf.summary.image(     self.name,     augmented_image,     step=self._counter,     max_outputs=self.max_images, )        self._counter += 1        return augmented_image, label

name

将是保存图像各部分的名称。您可能会问哪一部分-由定义的部分

max_outputs

。

说

image

在

__call__

将具有形状

(32, 28, 28,1)

，其中第一维是分批，第二宽度，第三高度和最后通道（MNIST的情况下，只有1升但需要在此维度

tf.image

扩充）。此外，假设

max_outputs

指定为

4

。在这种情况下，批次中仅保存4张第一张图像。默认值为

3

，因此您可以将其设置为

BATCH_SIZE

保存每张图像。

在中

Tensorboard

，每个图像将是一个单独的样本，您可以在其上最后进行迭代。

_counter

是必需的，这样图像 就不会 被覆盖（我想，不是很确定，其他人的澄清会很好）。

重要提示： 您可能希望将此类重命名为类似的 *** 作，例如

ImageSaver

，进行更严重的商务活动并将增强移动到单独的函子/
lambda函数时。我猜这足以满足演示目的。

3.设置全局变量

请不要混合使用函数声明，全局变量，数据加载和其他内容
（例如加载数据并随后创建函数）。我知道

TF1.0

鼓励这种类型的编程，但是他们正设法摆脱这种编程，您可能想跟上潮流。

我在下面定义了一些全局变量，这些变量将在接下来的部分中使用，我想这很容易解释：

BATCH_SIZE = 32DATASET_SIZE = 60000EPOCHS = 5LOG_DIR = "/logs/images"AUGMENTATION = ExampleAugmentation(LOG_DIR, max_images=4, name="Images")

4.数据集扩充

与您的相似，但略有不同：

dataset = (    dataset.map(        lambda image, label: ( tf.image.convert_image_dtype(image, dtype=tf.float32), label,        )    )    .batch(BATCH_SIZE)    .map(AUGMENTATION)    .repeat(EPOCHS))

• repeat

  因为加载的数据集是生成器，所以需要

• tf.image.convert_image_dtype

  -比显式

  tf.cast

  混合除法更好和更具可读性的选项

  255

  （并确保正确的图像格式）
• 为了演示起见，在增强之前完成了批处理

5.定义模型，编译，训练

几乎与您在示例中所做的一样，但是我提供了额外的

steps_per_epoch

，因此

fit

知道构成一个纪元的批次数：

model = tf.keras.models.Sequential(    [        tf.keras.layers.Flatten(input_shape=(28, 28, 1)),        tf.keras.layers.Dense(128, activation="relu"),        tf.keras.layers.Dropout(0.2),        tf.keras.layers.Dense(10, activation="softmax"),    ])model.compile(    optimizer="adam", loss="sparse_categorical_crossentropy", metrics=["accuracy"])model.fit(    dataset,    epochs=EPOCHS,    steps_per_epoch=DATASET_SIZE // BATCH_SIZE,    callbacks=[tf.keras.callbacks.TensorBoard(log_dir=LOG_DIR)],)

除了我认为的以外，没有太多其他解释。

6.运行Tensorboard

由于

TF2.0

可以在colab中使用进行 *** 作

%tensorboard --logdir/logs/images

，因此只想为可能访问此问题的其他人添加此功能。随心所欲地做，无论如何，您肯定会知道如何做。

图像应在内部，

IMAGES

并且每个由命名的样本都应

name

提供给

AUGMENTATION

对象。

7.完整代码（使每个人的生活更轻松）

import tensorflow as tfimport tensorflow_datasets as tfdsclass ExampleAugmentation:    def __init__(self, logdir: str, max_images: int, name: str):        self.file_writer = tf.summary.create_file_writer(logdir)        self.max_images: int = max_images        self.name: str = name        self._counter: int = 0    def __call__(self, image, label):        augmented_image = tf.image.random_flip_left_right( tf.image.random_flip_up_down(image)        )        with self.file_writer.as_default(): tf.summary.image(     self.name,     augmented_image,     step=self._counter,     max_outputs=self.max_images, )        self._counter += 1        return augmented_image, labelif __name__ == "__main__":    # Global settings    BATCH_SIZE = 32    DATASET_SIZE = 60000    EPOCHS = 5    LOG_DIR = "/logs/images"    AUGMENTATION = ExampleAugmentation(LOG_DIR, max_images=4, name="Images")    # Dataset    dataset = tfds.load("mnist", as_supervised=True, split=tfds.Split.TRAIN)    dataset = (        dataset.map( lambda image, label: (     tf.image.convert_image_dtype(image, dtype=tf.float32),     label, )        )        .batch(BATCH_SIZE)        .map(AUGMENTATION)        .repeat(EPOCHS)    )    # Model and training    model = tf.keras.models.Sequential(        [ tf.keras.layers.Flatten(input_shape=(28, 28, 1)), tf.keras.layers.Dense(128, activation="relu"), tf.keras.layers.Dropout(0.2), tf.keras.layers.Dense(10, activation="softmax"),        ]    )    model.compile(        optimizer="adam", loss="sparse_categorical_crossentropy", metrics=["accuracy"]    )    model.fit(        dataset,        epochs=EPOCHS,        steps_per_epoch=DATASET_SIZE // BATCH_SIZE,        callbacks=[tf.keras.callbacks.TensorBoard(log_dir=LOG_DIR)],    )