tensorflow - 在急切模式下对字符串张量调用 map 时，需要一个类似字节的对象，而不是 'Tensor'

Question

我正在尝试使用 TF.dataset.map 移植此旧代码，因为我收到了弃用警告。

从 TFRecord 文件中读取一组自定义原型(prototype)的旧代码:

record_iterator = tf.python_io.tf_record_iterator(path=filename)
for record in record_iterator:
    example = MyProto()
    example.ParseFromString(record)

我正在尝试使用渴望模式和 map ，但出现此错误。

def parse_proto(string):
      proto_object = MyProto()
      proto_object.ParseFromString(string)

dataset = tf.data.TFRecordDataset(dataset_paths)
parsed_protos = raw_tf_dataset.map(parse_proto)

此代码有效:

for raw_record in raw_tf_dataset:                                                                                                                                         
    proto_object = MyProto()                                                                                                                                              
    proto_object.ParseFromString(raw_record.numpy())                                                                                                                                 

但是 map 给了我一个错误:

TypeError: a bytes-like object is required, not 'Tensor'

什么是使用参数映射的函数结果并将它们视为字符串的正确方法？

Answer 1

您需要从张量中提取字符串并在 map 中使用功能。以下是要在代码中实现的步骤。

您必须使用 tf.py_function(get_path, [x], [tf.float32]) 装饰 map 功能.你可以找到更多关于 tf.py_function here .在 tf.py_function , 第一个参数是 map 的名称函数，第二个参数是要传递给 map 的元素函数和最终参数是返回类型。

您可以使用 bytes.decode(file_path.numpy()) 获取字符串部分在 map 功能中。

所以修改你的程序如下，

parsed_protos = raw_tf_dataset.map(parse_proto)

到

parsed_protos = raw_tf_dataset.map(lambda x: tf.py_function(parse_proto, [x], [function return type]))

同时修改parse_proto如下，

def parse_proto(string):
      proto_object = MyProto()
      proto_object.ParseFromString(string)

到

def parse_proto(string):
      proto_object = MyProto()
      proto_object.ParseFromString(bytes.decode(string.numpy()))

在下面的简单程序中，我们使用 tf.data.Dataset.list_files读取图像的路径。下一个 map我们正在使用 load_img 读取图像的函数然后做 tf.image.central_crop裁剪图像的中心部分的功能。

代码 -

%tensorflow_version 2.x
import tensorflow as tf
from keras.preprocessing.image import load_img
from keras.preprocessing.image import img_to_array, array_to_img
from matplotlib import pyplot as plt
import numpy as np

def load_file_and_process(path):
    image = load_img(bytes.decode(path.numpy()), target_size=(224, 224))
    image = img_to_array(image)
    image = tf.image.central_crop(image, np.random.uniform(0.50, 1.00))
    return image

train_dataset = tf.data.Dataset.list_files('/content/bird.jpg')
train_dataset = train_dataset.map(lambda x: tf.py_function(load_file_and_process, [x], [tf.float32]))

for f in train_dataset:
  for l in f:
    image = np.array(array_to_img(l))
    plt.imshow(image)

输出 -



希望这能回答你的问题。快乐学习。