Tensorflow数据集：使用不同形状的数据进行批处理 将tensorflow_数据集作为TFD导入 导入tensorflow作为tf def输入_fn： dataset_builder=tfds.builderoxford_flowers102 dataset\u builder.download\u和\u prepare ds=dataset\u builder.as\u datasetsplit=tfds.Split.TRAIN ds=ds.repeat ds=ds.32 返回ds

将导致

InvalidArgumentError: Cannot batch tensors with different shapes in component 1. 
First element had shape [500,666,3] and element 1 had shape [752,500,3]. 
[Op:IteratorGetNextSync]

这可以通过使用resize/pad函数来解决，该函数返回与所示和所示形状相同的图像

但是，我不想调整图像大小或填充图像，因为我希望保留图像的原始大小和外观。它是用来训练一个卷积神经网络，可以接受不同大小的图像

---

如果我需要一批形状为32、无、无、3的张量，其中每个图像具有不同的高度和宽度，我该怎么办？

在GPU中，通过将相同形状的张量传递到图形中来加速计算，其中，算术和逻辑运算是在整个张量上进行的，而不是一个接一个地进行。好吧，这就是tensorflow目前所支持的内容，即使有迫切的支持

这些张量应该有零，并且可以进行计算，这就是我们通过填充来做的。网络最终必须学会忽略由黑色区域引起的激活，因为它们不随标签变化。因此，必须执行以下操作之一：

裁剪图像 填充图像 两者的结合 其中任何一个都必须返回一个张量，该张量具有给定批次的确定形状

尽管如此，仍有可能在预测/评估阶段使用接受任何图像的神经网络，因为这在实时运行时不会成批运行

在训练期间，要避免

信息丢失：例如，将2048 x 2048图像调整为28 x 28图像 过度填充：例如，用零填充28 x 28图像，使其成为2048 x 2048 最好将几乎相同大小的图像集中在一起，并将数据集拆分为不同大小的批，同时在任何批中仍具有相同大小的图像，如@xenotecc在评论中所述

这在目前使用GPU加速计算的其他框架中也是如此。如果可能，请随意添加答案

链接：

TF图

---

可悲的是，这并非小事。使用Tensorflow数据集时，所有条目的Tensor形状必须相等。您可以尝试将数据集拆分为更小的数据集，每个数据集作为一批不同形状的张量。但这是一个相当混乱的解决方法，而不是直接的解决方案。

ds = ds.map(resize_or_pad_function)
ds = ds.batch(...)