Tensorflow DeepLab：元组组件1中的形状不匹配。预期[x，x，3]，得到[y，y，3]答案

【问题标题】：Tensorflow DeepLab: Shape mismatch in tuple component 1. Expected [x,x,3], got [y,y,3]Tensorflow DeepLab：元组组件1中的形状不匹配。预期[x，x，3]，得到[y，y，3]
【发布时间】：2018-09-15 10:09:54
【问题描述】：

我正在尝试使用 deeplab3+ tensorflow 实现来微调新数据集（具有不同数量的类）。我将数据集转换为 tfrecords 并开始 train 模型没有问题。现在我想评估新的检查点，运行evaluation 脚本，我得到一个形状不匹配错误。

tensorflow.python.framework.errors_impl.InvalidArgumentError：形状不匹配

模型实现使用tensorflow.slim，我认为我的问题与功能有关

slim.evaluation.evaluation_loop(
    master=FLAGS.master,
    checkpoint_dir=FLAGS.checkpoint_dir,
    logdir=FLAGS.eval_logdir,
    num_evals=num_batches,
    eval_op=list(metrics_to_updates.values()),
    max_number_of_evaluations=num_eval_iters,
    eval_interval_secs=FLAGS.eval_interval_secs,
    hooks=[tf_debug.LocalCLIDebugHook()]))

我的错误日志

`tensorflow.python.framework.errors_impl.InvalidArgumentError: Shape mismatch in tuple component 1. Expected [513,513,3], got [2448,2448,3]
 [[Node: batch/padding_fifo_queue_enqueue = QueueEnqueueV2[Tcomponents=[DT_INT64, DT_FLOAT, DT_STRING, DT_INT32, DT_UINT8, DT_INT64], timeout_ms=-1, _device="/job:localhost/replica:0/task:0/device:CPU:0"](batch/padding_fifo_queue, Reshape_3/_4659, add_2/_4661, Reshape_1, add_3/_4663, case/cond/Merge/_4665, Reshape_6/_4667)]]`

我不明白这个错误，因为该实现在训练和验证期间使用了相同的 preprocessing 例程。我也尝试使用 tf_debug.LocalCLIDebugHook() 进行调试，但没有成功。

【问题讨论】：

标签： python tensorflow deep-learning

【解决方案1】：

它作为问题发布在 github 上，解决方案在此评论中：https://github.com/tensorflow/models/issues/3886#issuecomment-378996570

从那里复制粘贴：

为您的数据集设置 eval_crop_size = output_stride * k + 1。默认值 513 是为最大图像尺寸为 512 的 PASCAL 图像设置的。我们选择 k = 32，得到 eval_crop_size = 16 * 32 + 1 = 513 > 512，因为我们将进行整个图像推断。与我们对 Cityscapes 图像所做的类似情况，我们设置 eval_crop_size = 1025x2049。

【讨论】：

【解决方案2】：

两种解决方案：

只需将eval_crop_size/vis_crop_size 更改为评估集中的最大图像大小。
使用tf.image.resize_image_with_pad（不会改变纵横比）或tf.image.resize_images（会改变纵横比但没有内边距）调整您的评估大小，使其最大图像尺寸长度

背后的主要原因是input_preprocess.py。下面的代码显示了如何对输入进行预处理以确保尺寸兼容性：图像被填充（如果它们小于crop_size），然后被裁剪（仅用于训练）。

# Pad image and label to have dimensions >= [crop_height, crop_width]
  image_shape = tf.shape(processed_image)
  image_height = image_shape[0]
  image_width = image_shape[1]

  target_height = image_height + tf.maximum(crop_height - image_height, 0)
  target_width = image_width + tf.maximum(crop_width - image_width, 0)

# Randomly crop the image and label
  if is_training and label is not None:
    processed_image, label = preprocess_utils.random_crop(
        [processed_image, label], crop_height, crop_width)

【讨论】：