【问题标题】：How to perform data augmentation in Tensorflow Estimator's input_fn如何在 Tensorflow Estimator 的 input_fn 中执行数据扩充
【发布时间】：2019-01-06 16:59:06
【问题描述】：

使用 Tensorflow 的 Estimator API，我应该在管道中的哪个点执行数据增强？

根据这位官方Tensorflow guide 的说法，执行数据增强的地方在input_fn：

def parse_fn(example):
  "Parse TFExample records and perform simple data augmentation."
  example_fmt = {
    "image": tf.FixedLengthFeature((), tf.string, ""),
    "label": tf.FixedLengthFeature((), tf.int64, -1)
  }
  parsed = tf.parse_single_example(example, example_fmt)
  image = tf.image.decode_image(parsed["image"])

  # augments image using slice, reshape, resize_bilinear
  #         |
  #         |
  #         |
  #         v
  image = _augment_helper(image)

  return image, parsed["label"]

def input_fn():
  files = tf.data.Dataset.list_files("/path/to/dataset/train-*.tfrecord")
  dataset = files.interleave(tf.data.TFRecordDataset)
  dataset = dataset.map(map_func=parse_fn)
  # ...
  return dataset

我的问题

如果我在input_fn 中执行数据增强，parse_fn 会返回单个示例还是包含原始输入图像 + 所有增强变体的批次？如果它应该只返回一个 [augmented] 示例，我如何确保数据集中的所有图像都以其未增强的形式以及所有变体使用？

【问题讨论】：

在 .map 中放一个随机函数见stackoverflow.com/questions/55141076/…

标签： tensorflow machine-learning training-data data-augmentation

【解决方案1】：

它将为您对 parse_fn 的每次调用返回单个示例，然后如果您使用 .batch() 操作，它将返回一批已解析的图像

【讨论】：

【解决方案2】：

如果您在数据集上使用迭代器，则您的 _augment_helper 函数将在数据集的每个迭代中被调用，该数据集跨输入的每个数据块（正如您在 dataset.map 中调用 parse_fn 一样）

把你的代码改成

  ds_iter = dataset.make_one_shot_iterator()
  ds_iter = ds_iter.get_next()
  return ds_iter

我已经用一个简单的增强功能对此进行了测试

  def _augment_helper(image):
       print(image.shape)
       image = tf.image.random_brightness(image,255.0, 1)
       image = tf.clip_by_value(image, 0.0, 255.0)
       return image

将 255.0 更改为数据集中的最大值，我使用 255.0，因为我的示例数据集是 8 位像素值

【讨论】：