【神经网络实践】tentorflow上的多目标识别（3）

前言：

{

    这次也遇到了不少问题，最头疼的就是OOM（内存不够）。虽然要训练的东西很少，但在初始化时还是会出错，目前就先用CPU（禁用显存）做初步调试。

}

 

正文：

{

    按照我原本的打算，损失是mean_squared_error；当某类的输出与标签的差不小于0.5时，则此类的预测正确，准确率为平均正确率。

    此准确率的计算用到了二值张量。代码1是张量二值化的函数和评估步骤，其中输出张量input_tensor的类型需要与阈值threshold的一致。

#代码1
#the following function is to return a binary tensor by the argument input_tensor 
#of which values less than the threshold will be converted into zeros or Falses.
def tensor_binaryzation(input_tensor, threshold):
    y = tf.subtract(tf.cast(threshold, tf.float32), 1.0)
    x = tf.cast(input_tensor, tf.float32)
    output_tensor = tf.cast(tf.subtract(x, y), dtype=tf.uint64)
    return tf.cast(output_tensor, dtype=tf.bool)

 

    如果想改变trainable variables，可以把tf.GraphKeys.TRAINABLE_VARIABLES改成新的集合名。

 

    我的计划是把图像预处理成500*500的大小，不过重点在于要保留图像的比例，即最大的边长被设置成500，另一个边长按比例缩放，剩余像素用0填充。函数如代码2。

#代码2
def preprocessing_for_training(image, unified_image_shape):
    # standardization, which is divided into 2 parts, expansion and padding
    image_shape = tf.shape(image)
    shape_ratio1 = tf.div(unified_image_shape[0], image_shape[0]) 
    shape_ratio2 = tf.div(unified_image_shape[1], image_shape[1])
    shape_one = tf.cast(tf.multiply(image_shape[0:2], shape_ratio2), tf.int32)
    shape_two = tf.cast(tf.multiply(image_shape[0:2], shape_ratio1), tf.int32)
    image_as_float = tf.image.convert_image_dtype(image, dtype=tf.float32)
    resized_image = tf.cond(shape_ratio1>shape_ratio2, 
                            lambda:tf.image.resize_images(image_as_float, shape_one),
                            lambda:tf.image.resize_images(image_as_float, shape_two))
    resized_image = tf.image.resize_image_with_crop_or_pad(resized_image, unified_image_shape[0], unified_image_shape[1])

    return resized_image

    代码2其实是我修改《TensorFlow实战Google深度学习框架（第2版）》中代码而得来的（基本面目全非），此函数输出的图像如图1。

}

 

结语：

{

    放下训练速度先不说，内存真是一个大问题。我打算跑出结果后再公开全部代码，但虽然程序代码都已经写好，换到CPU上进行训练也还是会卡死（我还是第一次看到360内存球显示内存占用99%）。

    对上述问题目前有两种方法，一是添加新的设备，不过我还没开始训练整个网络，就已经这样了，估计就算买显卡也是够呛。另一种方法是使用云设备，之后我会去看看有什么云GPU的供应商。

    不知道各位观众有没有什么可推荐的硬件解决方案，我目前主要是个人学习调试用。

    这次我写的这2段代码对应的方法都是我在百度没搜到，自己写的，如有更好的方法欢迎指出。

}