我打算使用 tf.keras 和 MNIST 手写数字数据集制作一些 GAN 模型测试器。因为我的模型将用于 128x128 图像，所以我将 MNIST 数据集的大小调整为 128x128x1。但是，该程序出现了一些我从未见过的错误。
(x_train, _), (_, _) = mnist.load_data()
x_train = (x_train.astype(np.float32) - 127.5) / 127.5
x_train = tf.image.resize_images(x_train, [128, 128])
idx = np.random.randint(0, x_train.shape[0], batch_size) # picks some data, count is batch_size=32.
imgs = x_train[idx] # This line made errors
最后一行有两个错误:
tensorflow.python.framework.errors_impl.InvalidArgumentError: Shape must be rank 1 but is rank 2 for 'strided_slice_1' (op: 'StridedSlice') with input shapes: [60000,128,128,1], [1,32], [1,32], [1].
和，
ValueError: Shape must be rank 1 but is rank 2 for 'strided_slice_1' (op: 'StridedSlice') with input shapes: [60000,128,128,1], [1,32], [1,32], [1].
我认为数字“32”意味着 batch_size(=32)。
我试图找到有关此错误的信息，但找不到类似的错误。
我没有任何解决这个问题的想法(因为我一周前开始使用keras，在我使用pytorch之前)。
请您参考如下方法:
你上面的代码有更多问题，但错误的主要原因是tensorflow不支持numpy类型的高级切片。 实际上错误消息是因为tensorflow试图在他的strided-slices中对齐你的输入数组。 :
跨步切片的示例:
foo[5:,:,:3] on a 7x8x9 tensor is equivalent to foo[5:7,0:8,0:3]. foo[::-1] reverses a tensor with shape 8.
遗憾的是，目前 Tensorflow 中仅提供基本类型索引。高级类型索引正在开发中。
次要问题是您调整大小不合适。 Tensorflow 假定 3D 或 4D 输入。您尝试将 2D 图像传递给 `tf.image.resize_images()，它不会返回所需的新图像尺寸。所以我们必须像这样 reshape 原始图像:
x_train = x_train.reshape((-1, x_train.shape[1], x_train.shape[1], 1))
只有这样我们才能将它们传递给:
`x_train = tf.image.resize_images(x_train, [128, 128])
然后它将返回正确的尺寸:
print(x_train.shape)
输出:
(60000, 128, 128, 1)
所以总结一下整个解决方案，目前可以做如下操作:
import numpy as np
import tensorflow as tf
batch_size = 32
mnist = tf.keras.datasets.mnist
(x_train, _), (_, _) = mnist.load_data()
x_train = x_train.reshape((-1, x_train.shape[1], x_train.shape[1], 1))
x_train = (x_train.astype(np.float32) - 127.5) / 127.5
x_train = tf.image.resize_images(x_train, [128, 128])
idx = np.random.randint(0, x_train.shape[0], batch_size)
imgs = [x_train[i,:,:,:] for i in idx]
这是一个相当困惑的“解决方案”。
其他，实际上是一个真正的解决方案，通过重新排列原始代码，我们可以实现我们的目标，作为解决 tensorflow 索引问题的方法:
import numpy as np
import tensorflow as tf
batch_size = 32
mnist = tf.keras.datasets.mnist
(x_train, _), (_, _) = mnist.load_data()
x_train = (x_train.astype(np.float32) - 127.5) / 127.5
idx = np.random.randint(0, x_train.shape[0], batch_size)
x_train = x_train[idx]
x_train = x_train.reshape((-1, x_train.shape[1], x_train.shape[1], 1))
x_train = tf.image.resize_images(x_train, [128, 128])
print(x_train.shape)
输出:
(32, 128, 128, 1)
就是这样!
或者，您可以使用其他图像工具代替 tf.image.resize_images()，例如 skimage.transform.resize()来自 scikit-image返回 numpy 数组类型数据。
