写这个博客的关键Bug: Value passed to parameter 'input' has DataType uint8 not in list of allowed values: float16, bfloat16, float32, float64。本博客将围绕 加载图片 和 保存图片到本地 来详细解释和解决上述的Bug及其引出来的一系列Bug。
加载图片
首先，造成上述Bug的代码如下所示
image_path = "data/test.jpg" # 本地的测试图片 image_raw = tf.gfile.GFile(image_path, 'rb').read() # 一定要tf.float()，否则会报错 image_decoded = tf.image.decode_jpeg(image_raw) # 扩展图片的维度，从三维变成四维，符合Vgg19的输入接口 image_expand_dim = tf.expand_dims(image_decoded, 0) # 定义Vgg19模型 vgg19 = VGG19(data_path) net = vgg19.feed_forward(image_expand_dim, 'vgg19') print(net)
上述代码是加载Vgg19预训练模型，并传入图片得到所有层的特征图，具体的代码实现和原理讲解可参考我的另一篇博客：Tensorflow加载Vgg预训练模型。那么，为什么代码会出现： Value passed to parameter 'input' has DataType uint8 not in list of allowed values: float16, bfloat16, float32, float64，这个Bug呢？
这句英文翻译过来是指：传递的值类型是uint8，但是接受的参数类型必须是float的那几种。故原因就是传入值的数据类型错了，那么如何解决这个Bug呢，很简单
image_path = "data/test.jpg" # 本地的测试图片 image_raw = tf.gfile.GFile(image_path, 'rb').read() # 一定要tf.float()，否则会报错 image_decoded = tf.to_float(tf.image.decode_jpeg(image_raw)) # 扩展图片的维度，从三维变成四维，符合Vgg19的输入接口 image_expand_dim = tf.expand_dims(image_decoded, 0) # 定义Vgg19模型 vgg19 = VGG19(data_path) net = vgg19.feed_forward(image_expand_dim, 'vgg19') print(net)
这两个代码块唯一的变动就是：image_decoded结果在输出前加了一个tf.float()，将其转换为float类型。
在tensorflow API中，tf.image.decode_jpeg()默认读取的图片数据格式为unit8，而不是float。uint8数据的范围在(0, 255)中，正好符合图片的像素范围(0, 255)。但是，保存在本地的Vgg19预训练模型的数据接口为float，所以才造成了本文开头的Bug。
这里还要提一点，若是使用PIL的方法来加载图片，则不会出现上述的Bug，因为通过PIL得到的图片格式是float，而不是uint8，故不需要转换。
很多同学可能会疑惑，若是强行改变了原图片的数据格式，从uint8类型转变成float，会不会导致数据改变或者出错？故我做了下面这个实验：
image_path = "data/3.jpg"
image_raw = tf.gfile.GFile(image_path, 'rb').read()
image_unit8 = tf.image.decode_jpeg(image_raw)
image_float = tf.to_float(image_unit8)
with tf.Session() as sess:
image_unit8_, image_float_ = sess.run([image_unit8, image_float])
print("image_unit8_", image_unit8_)
print("image_float_ ", image_float_ )
代码结果如下：
image_unit8_ [180, 192, 204], [183, 195, 207], [186, 198, 210], ..., [191, 205, 218], [191, 205, 218], [190, 204, 217]], image_float_ [180., 192., 204.], [183., 195., 207.], [186., 198., 210.], ..., [191., 205., 218.], [191., 205., 218.], [190., 204., 217.]],
可以看到，数据根本没有变化，只是后面多加了个小数点，变得只有类型，而没有强制改变值，故同学们不需要过度担心。
保存图片到本地
在加载图片的时候，为了使用保存在本地的预训练Vgg19模型，我们需要将读取的图片由uint8格式转换成float格式。那若是我们想将已经转换为float格式的图片再保存到本地，该怎么做呢？
首先，我们根据上述的文字的意思读取图片，并且将其转换为float格式，在将读取的图片再次保存到本地之前，我们首先可视化一下转换格式后的图片，代码如下：
import tensorflow as tf from matplotlib import pyplot as plt image_path = "data/boat.jpg" image_raw = tf.gfile.GFile(image_path, 'rb').read() image_decoded = tf.image.decode_jpeg(image_raw) image_decoded = tf.to_float(image_decoded) with tf.Session() as sess: image_decoded_ = sess.run(image_decoded) plt.imshow(image_decoded_) plt.show()
生成的图片如下图所示：
左边是原图，右边是转换为float格式的图片，可见将图片转换为float格式，虽然数值没有造成太大影响，但是若想将图片保存到本地就会出现问题。
说了这么多，只为了说一点，在保存图片到本地之前，需要将其格式从float转回uint8，否则会造成一系列错误：图片显示异常，API报错等。正确的保存代码如下：
save_path = "data/boat_copy.jpg" image_uint = tf.cast(image_decoded, tf.uint8) with tf.Session() as sess: with open(save_path, 'wb') as img: image_saved = sess.run(tf.image.encode_jpeg(image_uint)) img.write(image_saved)
其中只有一句话最关键，即 tf.cast(image_decoded, tf.uint8)。
以上这篇浅谈Tensorflow加载Vgg预训练模型的几个注意事项就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持。
免责声明：本站文章均来自网站采集或用户投稿，网站不提供任何软件下载或自行开发的软件！ 如有用户或公司发现本站内容信息存在侵权行为，请邮件告知！ 858582#qq.com
3月27日消息，苹果宣布2024年全球开发者大会（WWDC）将于6月10日至6月14日举行，巧合的是，这次大会与端午假期重合。
苹果官方表示：
在线参加 Apple 每年规模最大的开发者盛会。亲眼见证 Apple 最新平台、技术和工具的发布。了解如何创建和改进你的 App 和游戏。与 Apple 设计师和工程师互动交流，与全球开发者社区建立联系。以上活动均免费在线举行。
探索各种新的工具、框架和功能，助力你打造出理想的 App 和游戏。通过视频讲座学习新技能，与 Apple 专家进行一对一会面，以推进你的项目，完善你的构思。
Swift Student Challenge 旨在支持和鼓舞下一代开发者、创作者和企业家。太平洋时间 3 月 28 日，我们将公布今年的获奖者名单。获奖者将有资格参加在 Apple Park 举办的特别活动。我们还会选出 50 名杰出获胜者，他们将受邀前往库比提诺，获得为期三天的非凡体验，包括参加 Apple Park 的特别活动。
RTX 5090要首发 性能要翻倍！三星展示GDDR7显存
三星在GTC上展示了专为下一代游戏GPU设计的GDDR7内存。
首次推出的GDDR7内存模块密度为16GB，每个模块容量为2GB。其速度预设为32 Gbps（PAM3），但也可以降至28 Gbps，以提高产量和初始阶段的整体性能和成本效益。
据三星表示，GDDR7内存的能效将提高20%，同时工作电压仅为1.1V，低于标准的1.2V。通过采用更新的封装材料和优化的电路设计，使得在高速运行时的发热量降低，GDDR7的热阻比GDDR6降低了70%。