Matplotlib Tensorflow语义切分

在这里发帖是为了检查我在TensorFlow中实现的一个简单语义分段模型是否有任何错误。这段代码表示我正在对数据库中的一个图像进行的健全性检查，我正试图对模型进行过度拟合。 这是一个二值分类问题，每个图像像素映射到地面真值标签中的[0,1]

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

img = plt.imread('image.png') #Image of size [750,750,3]
img = plt.imread('map.png') # Ground Truth of size [750, 750]

img = np.expand_dims(img, 0)
lab = np.expand_dims(lab, 0)

w1 = tf.Variable(tf.constant(0.001, shape=[3,3,3,32]))
b1 = tf.Variable(tf.constant(0.0, shape=[32]))

w2 = tf.Variable(tf.constant(0.001, shape=[3,3,32,2]))
b2 = tf.Variable(tf.constant(0.0, shape=[2]))

mul = tf.nn.conv2d(img, w1, strides=[1,1,1,1], padding='SAME')
bias_add = tf.add(mul, b1)
conv1 = tf.nn.relu(bias_add)

mul2 = tf.nn.conv2d(conv1, w2, strides=[1,1,1,1], padding='SAME')
bias_add2 = tf.add(mul2, b2)
conv2 = tf.nn.relu(bias_add2)

sess = tf.InteractiveSession()

lab = lab.astype('int32')

conv2_out = tf.reshape(conv2, [-1, 2])
lab = np.reshape(lab, [-1])

prediction = tf.nn.softmax(pred) # I use this to visualize prediction of the model, and calculate accuracy

loss = tf.reduce_mean(tf.nn.sparse_softmax_cross_entropy_with_logits(conv2_out, lab))

optimizer = tf.train.AdamOptimizer(0.001).minimize(loss)

correct_pred = tf.equal(tf.argmax(prediction, 1), lab)
accuracy = tf.reduce_mean(tf.cast(correct_pred, tf.float32))

x = tf.placeholder(tf.float32)
y = tf.placeholder(tf.int32)

tf.initialize_all_variables().run()

step = 1 
iter = 5

while step < iter:
    sess.run(optimizer, feed_dict={x: img, y: lab})
    loss_val,acc = sess.run([loss,accuracy], feed_dict={x: img, y: lab})
    print ("Iter:"+ str(step) +" Loss : " + "{:.6f}".format(loss_val)#+ " Accuracy : " + "{:.6f}".format(acc))
    step += 1

print ("optimization finished!")

prediction_logits = prediction.eval()
weights = w1.eval() # first layer learned weights

prediction_logits = np.reshape(prediction_logits, [750,750,2])

plt.figure() # Plotting original image with predicted labels
plt.imshow(img[0,:,:,:])
plt.imshow(prediction_logits[:,:,0], cmap=plt.cm.binary)
plt.show()

plt.figure() # Plotting first layer weights
for i in range(32):
    plt.subplot(8,4,i+1)
    plt.imshow(weights[:,:,:,i])
plt.show()

将tensorflow导入为tf
将numpy作为np导入
将matplotlib.pyplot作为plt导入
img=plt.imread（'image.png'）#大小为[750750,3]的图像
img=plt.imread（'map.png'）#大小的基本事实[750750]
img=np.展开尺寸（img，0）
lab=np.展开尺寸（lab，0）
w1=tf.变量（tf.常数（0.001，形状=[3,3,3,32]））
b1=tf.Variable（tf.constant（0.0，shape=[32]））
w2=tf.变量（tf.常数（0.001，形状=[3,3,32,2]））
b2=tf.Variable（tf.constant（0.0，shape=[2]））
mul=tf.nn.conv2d（img，w1，步长=[1,1,1]，padding='SAME'）
偏差添加=tf.add（mul，b1）
conv1=tf.nn.relu（偏差添加）
mul2=tf.nn.conv2d（conv1，w2，步幅=[1,1,1,1]，padding='SAME'）
偏差_add2=tf.add（mul2，b2）
conv2=tf.nn.relu（偏差添加2）
sess=tf.InteractiveSession（）
lab=lab.astype（'int32'）
conv2_out=tf.重塑（conv2，[-1，2]）
lab=np.重塑（lab，[-1]）
prediction=tf.nn.softmax（pred）#我使用它来可视化模型的预测，并计算精度
损失=tf.减少平均值（tf.nn.稀疏\u softmax\u交叉\u熵\u与逻辑（conv2\u out，lab））
优化器=tf.序列AdamOptimizer（0.001）.最小化（损失）
校正pred=tf.equal（tf.argmax（预测，1），实验室）
准确度=tf.reduce_平均值（tf.cast（correct_pred，tf.float32））
x=tf.placeholder（tf.float32）
y=tf.placeholder（tf.int32）
tf.initialize_all_variables（）.run（）
步骤=1
iter=5
而步骤

当我运行这个（作为一个交互式会话）时，只是为了训练模型在这张图像上过度拟合，损失最小化，但我的精确度似乎没有改变。我不太确定我是否理解

tf.argmax

函数是如何工作的，或者我是否正确地实现了它，而且无论迭代多少次，精度都会保持在一个值上

想法？另外，我是要正确地绘制图形和预测标签，还是这里有任何错误？（还有任何其他错误——或者我没有遵循的最佳实践，请指出它们）

---

此外，对权重执行正则化的推荐方法是什么？我发现这是一个可行的选择——但是，我如何将它包括在这个场景中？带损失函数的简单求和

在这行

prediction=tf.nn.softmax（pred）#我使用它来可视化模型的预测，并计算精度

。什么是“pred”？