Le redimensionnement d'une image d'entrée dans une Keras Lambda couche

Je voudrais que mon keras modèle pour redimensionner l'image d'entrée à l'aide de cv2 ou similaire.

J'ai vu l'utilisation de ImageGenerator, mais je préfère écrire mon propre générateur et simplement redimensionner l'image dans la première couche avec keras.layers.core.Lambda.

Comment puis-je faire?

OriginalL'auteur Sam Hammamy | 2017-02-15

  1. 15

    Si vous utilisez tensorflow backend ensuite, vous pouvez utiliser tf.image.resize_images() fonction pour redimensionner les images dans Lambda couche.

    Voici un petit exemple pour démontrer le même:

    import numpy as np
import scipy.ndimage
import matplotlib.pyplot as plt

from keras.layers import Lambda, Input
from keras.models import Model
from keras.backend import tf as ktf


# 3 channel images of arbitrary shape
inp = Input(shape=(None, None, 3))
try:
    out = Lambda(lambda image: ktf.image.resize_images(image, (128, 128)))(inp)
except :
    # if you have older version of tensorflow
    out = Lambda(lambda image: ktf.image.resize_images(image, 128, 128))(inp)

model = Model(input=inp, output=out)
model.summary()

X = scipy.ndimage.imread('test.jpg')

out = model.predict(X[np.newaxis, ...])

fig, Axes = plt.subplots(nrows=1, ncols=2)
Axes[0].imshow(X)
Axes[1].imshow(np.int8(out[0,...]))

plt.show()
    J'ai couru dans le même problème qu'avant. Au temps de prédiction, j'obtiens une erreur que ktf n'est pas trouvé. J'ai appliqué la même instruction d'importation dans ma prédiction script de cours. J'ai aussi changé de chemin complet comme keras.backend.tf et encore NameError: nom keras n'est pas défini
    Il semble que l'environnement dans lequel vous exécutez le prédire script n'avez pas keras. Essayer de l'importer uniquement keras et voir. Si cela fonctionne voir quel moteur de son utilisation. Aussi, au lieu de se tf de keras backend, vous pouvez utiliser import tensorflow as tf et utiliser le même.
    Bien sûr, il a keras. J'ai couru à la prédiction de redimensionnement dans le generator pendant des semaines. Il est cependant un Raspberry Pi conseil et j'ai installé TensorFlow sur elle à partir d'un personnalisé programme pep de roue, j'ai trouvé en ligne. Comme je l'ai dit, il fonctionne très bien si je redimensionner dans le générateur. J'ai aussi trouvé cette solution dont j'ai besoin pour étudier aujourd'hui gist.github.com/bzamecnik/a33052ec46ee7efeb217856d98a4fb5f
    J'ai pu obtenir que cela fonctionne, soit model.add(Lambda(lambda image: K.resize_images(image, 240./64, 340./64, 'tf'))) - je obtenir une ressource épuisée d'erreur au cours de la formation, même avec seulement 32 images dans le lot
    Il ya quelques choses que vous pouvez faire.. de trains sur le système. lorsque vous avez une bonne série de poids de l'utiliser pour exécuter sur le système embarqué.. cela permettra de réduire les besoins en mémoire sur le système embarqué par la taille du lot. 2ème utilisation théano backend.. tensorflow est plus gourmands en mémoire.

    OriginalL'auteur indraforyou