Python 3.x 通过tensorflow旋转创建增强训练数据

从最近的

tensorflow

和

cnn

开始，我希望训练一个简单的网络来向上旋转功能

我有一个1k向上的图像数据集，使用

tensorflow.contrib.image.rotate

我想用随机角度旋转它们。 在的行内，但带有

tensorflow

而不是

keras

的东西

其想法是从1k图像数据集中的每个图像创建

N

旋转训练示例。每个图像的形状为30x30x1（黑白）

现在的问题是，

sess.run（rotated\u image）

行需要很长时间才能执行。e、 g仅为1k中的每一个创建5个示例已运行超过30分钟（在cpu上）。
如果我简单地删除这一行，图像将在一分钟内生成

---

我想有一种方法可以将数据作为张量存储和使用，而不是像我到目前为止所做的那样将它们转换回nArray，或者可能有一个更快的函数来计算张量？

问题是，您正在为

中的每个图像创建一个旋转操作符，以增强每个图像，产生一个潜在的非常大的网络

解决方案是创建一个单独的旋转op，然后依次应用于图像。大致如下：

im_ph = tf.placeholder(...)
ang_ph = tf.placeholder(...)
rot_op = tfci.rotate(im_ph, ang_ph)

with tf.Session() as sess:
  for curr in range(oriented_data.shape[0]):
    curr_image = loaded_oriented_data[curr]
      for i in range(augment_each_image):
        rotation_angle = np.random.randint(360)
        rotated_image = sess.run(rot_op, {im_ph: curr_image, ang_ph: np.float(rotation_angle) * math.pi/180.})
        training_data[curr + i] = rotated_image
        labels[curr + i] = rotation_angle

谢谢，现在一切顺利，我确实学到了一些重要的东西！
im_ph = tf.placeholder(...)
ang_ph = tf.placeholder(...)
rot_op = tfci.rotate(im_ph, ang_ph)

with tf.Session() as sess:
  for curr in range(oriented_data.shape[0]):
    curr_image = loaded_oriented_data[curr]
      for i in range(augment_each_image):
        rotation_angle = np.random.randint(360)
        rotated_image = sess.run(rot_op, {im_ph: curr_image, ang_ph: np.float(rotation_angle) * math.pi/180.})
        training_data[curr + i] = rotated_image
        labels[curr + i] = rotation_angle