Χρησιμοποιώντας tensorflow σύνολο δεδομένων με στρωματοποιημένη δειγματοληψία

ψήφοι
0

Λαμβάνοντας υπόψη ένα σύνολο δεδομένων tensorflow

Train_dataset = tf.data.Dataset.from_tensor_slices((Train_Image_Filenames,Train_Image_Labels))
Train_dataset = Train_dataset.map(Parse_JPEG_Augmented)
...

Θα ήθελα να διαστρωμάτωση παρτίδες μου να ασχοληθεί με την κατηγορία ανισορροπία. Βρήκα tf.contrib.training.stratified_sample και σκέφτηκα ότι θα μπορούσε να το χρησιμοποιήσει με τον ακόλουθο τρόπο:

Train_dataset_iter = Train_dataset.make_one_shot_iterator()
Train_dataset_Image_Batch,Train_dataset_Label_Batch = Train_dataset_iter.get_next()
Train_Stratified_Images,Train_Stratified_Labels = tf.contrib.training.stratified_sample(Train_dataset_Image_Batch,Train_dataset_Label_Batch,[1/Classes]*Classes,Batch_Size)

Αλλά δίνει το ακόλουθο μήνυμα λάθους και δεν είμαι σίγουρος ότι αυτό θα μου επιτρέψετε να κρατήσει τα οφέλη των επιδόσεων των tensorflow σύνολο δεδομένων, όπως μπορεί να είχα τότε πρέπει να περάσουν Train_Stratified_Imagesκαι Train_Stratified_Labelsμέσω feed_dict;

File /xxx/xxx/anaconda3/lib/python3.6/site-packages/tensorflow/contrib/training/python/training/sampling_ops.py, line 192, in stratified_sample
with ops.name_scope(name, 'stratified_sample', list(tensors) + [labels]):
File /xxx/xxx/anaconda3/lib/python3.6/site-packages/tensorflow/python/framework/ops.py, line 459, in __iter__
Tensor objects are only iterable when eager execution is 
TypeError: Tensor objects are only iterable when eager execution is enabled. To iterate over this tensor use tf.map_fn.

Ποια θα ήταν η «καλύτερη πρακτική» τρόπο, χρησιμοποιώντας το σύνολο δεδομένων με στρωματοποιημένη παρτίδες;

Δημοσιεύθηκε 27/11/2018 στις 17:34
πηγή χρήστη
Σε άλλες γλώσσες...                            


1 απαντήσεις

ψήφοι
0

Ψάχνω σε ένα παρόμοιο θέμα και βρήκα αυτό . Δεν το έχω δοκιμάσει σε αγωγό μου όμως. Ίσως αυτό θα λειτουργήσει για το σκοπό σας;

Απαντήθηκε 06/12/2018 στις 23:47
πηγή χρήστη

Cookies help us deliver our services. By using our services, you agree to our use of cookies. Learn more