Python 在tensorflow中的网格中平铺图像（即使用环绕）

我想做的简短版本是将一堆图像（h、w、num_图像）以网格的形式平铺，以生成一个可以轻松绘制的图像，但我希望将它们放在网格中，即使用环绕（我想在tensorflow中这样做，即图形输出一个网格图像以准备绘制）

输入：

a、 ）列数（即单行上的最大图像数）

或

b、 ）最大宽度（例如屏幕宽度）。它会自动计算出上面的值

我有numpy代码，但速度很慢，我认为在GPU上作为图形的一部分更合理

我的tensorflow图代码如下（t是卷积层的输出，因此最后一个轴包含图像堆栈）：

这给了我（num_filters，h，w），我将其输入到我编写的更通用的numpy代码中，将其放入一个网格中（我的numpy代码相当长，因为它更通用，可以处理可变大小的图像，所以我不在下面介绍它）

这可以直接在tensorflow中实现吗

---

（注意，如果我要执行tf.concat而不是tf.stack，我可以将它们并排平铺，但它们没有环绕功能）

我的numpy代码只需不到20行就可以完成，而且速度非常快。当我将图像平铺到10000x1000x3时，速度非常快。如果图像不足，它会用零填充最后几个分幅

def重塑_行（arr）：
返回减少（λx，y:np.串联（（x，y），轴=1），arr）
def重塑颜色（arr）：
返回减少（λx，y:np.串联（（x，y），轴=0），arr）
定义任意行数（arr、num行数、num列数、gray=False）：
num_图像，高度、宽度、深度，=arr.shape
行=[]
对于范围内的i（num_行）：
行图像=arr[i*num\u cols:i*num\u cols+num\u cols]
r_n，r_h，r_w，r_d=行图像.shape
如果行_image.shape[0]！=数量：
对于范围内的（num_cols-row_image.shape[0]）：
行图像=np.连接（（行图像，np.展开图像，np.零点（（高度、宽度、深度）），轴=0）），轴=0）
行图像=重塑行（行图像）
行。追加（行\图像）
马赛克=重塑颜色（行）
返回马赛克

---

您可以将此代码转换为TensorFlow代码，这样可能会更快。查看性能比较会很有趣。

事实上，我刚刚找到了一种非常简单的方法，即输入行数（这并不理想，但现在已经足够好了）

---

对于具有形状[批次、宽度、高度、通道]的图像，可以在tensorflow中使用

def image_grid(x, size=6):
    t = tf.unstack(x[:size * size], num=size*size, axis=0)
    rows = [tf.concat(t[i*size:(i+1)*size], axis=0) 
            for i in range(size)]
    image = tf.concat(rows, axis=1)
    return image[None]

---

TensorFlow中添加了一个函数，该函数正好执行以下操作：。它接受形状的输入张量

[批次、宽度、高度、通道]

，以及图像网格的形状、每个图像的尺寸和图像通道的数量作为参数。它很好用。

我有一个函数，如果你不指定你想要多少列，我可以将一个正方形网格变大，否则一个带有n列的网格

def tf_batch_to_canvas(X, cols: int = None):
"""
reshape a batch of images into a grid canvas to form a single image.

Parameters
----------
X: Tensor
    Batch of images to format. [N, H, W, C]-shaped
cols: int
    how many columns the grid should have. If None, a square grid will be created.
Returns
-------
image_grid: Tensor
    Tensor representing the image grid. [1, HH, WW, C]-shaped

Raises
------
    ValueError: The input tensor must be 4 dimensional

Examples
--------

x = np.ones((9, 100, 100, 3))
x = tf.convert_to_tensor(x)
canvas = batches.tf_batch_to_canvas(x)
assert canvas.shape == (1, 300, 300, 3)

canvas = batches.tf_batch_to_canvas(x, cols=5)
assert canvas.shape == (1, 200, 500, 3)
"""
if len(X.shape.as_list()) > 4:
    raise ValueError("input tensor has more than 4 dimensions.")
N, H, W, C = X.shape.as_list()
rc = math.sqrt(N)
if cols is None:
    rows = cols = math.ceil(rc)
else:
    cols = max(1, cols)
    rows = math.ceil(N / cols)
n_gray_tiles = cols * rows - N
if n_gray_tiles > 0:
    gray_tiles = tf.zeros((n_gray_tiles, H, W, C), X.dtype)
    X = tf.concat([X, gray_tiles], 0)
image_shape = (H, W)
n_channels = C
return image_grid(X, (rows, cols), image_shape, n_channels)

基本上，您现在可以使用

tf.contrib.gan.eval.image\u grid

，具体取决于您的tensorflow版本。

---

很高兴我能帮上忙！我自己也在找类似的东西，却偶然发现了。这绝对是一件有益的事情。

def image_grid(x, size=6):
    t = tf.unstack(x[:size * size], num=size*size, axis=0)
    rows = [tf.concat(t[i*size:(i+1)*size], axis=0) 
            for i in range(size)]
    image = tf.concat(rows, axis=1)
    return image[None]

def tf_batch_to_canvas(X, cols: int = None):
"""
reshape a batch of images into a grid canvas to form a single image.

Parameters
----------
X: Tensor
    Batch of images to format. [N, H, W, C]-shaped
cols: int
    how many columns the grid should have. If None, a square grid will be created.
Returns
-------
image_grid: Tensor
    Tensor representing the image grid. [1, HH, WW, C]-shaped

Raises
------
    ValueError: The input tensor must be 4 dimensional

Examples
--------

x = np.ones((9, 100, 100, 3))
x = tf.convert_to_tensor(x)
canvas = batches.tf_batch_to_canvas(x)
assert canvas.shape == (1, 300, 300, 3)

canvas = batches.tf_batch_to_canvas(x, cols=5)
assert canvas.shape == (1, 200, 500, 3)
"""
if len(X.shape.as_list()) > 4:
    raise ValueError("input tensor has more than 4 dimensions.")
N, H, W, C = X.shape.as_list()
rc = math.sqrt(N)
if cols is None:
    rows = cols = math.ceil(rc)
else:
    cols = max(1, cols)
    rows = math.ceil(N / cols)
n_gray_tiles = cols * rows - N
if n_gray_tiles > 0:
    gray_tiles = tf.zeros((n_gray_tiles, H, W, C), X.dtype)
    X = tf.concat([X, gray_tiles], 0)
image_shape = (H, W)
n_channels = C
return image_grid(X, (rows, cols), image_shape, n_channels)