实验记录20181008_有精确时间记录的实验博客吗-CSDN博客

本文链接：https://blog.csdn.net/qq_32466233/article/details/82972519

1，今天首先对softmax的使用方法进行了实验。

import tensorflow as tf
"""
Created on Mon Oct  8 15:55:59 2018

@author: Lenovo
"""
matrix1=tf.constant(
        [
          [
          [1.0,2.0,3.0,7.2],
          [2.0,4.1,4.0,2.5],
          [5.0,2.2,6.1,3.4]
          ],
         [
         [5.2,3.0,7.2,2.5],
         [3.3,5.2,1.1,5.6],
         [4.6,6.8,2.3,3.4]
         ],
         [
         [2.7,7.3,4.4,6.2],
         [2.1,3.6,2.2,7.3],
         [6.9,8.2,2.7,3.5]      
        ],
         [
         [2.2,7.3,4.4,6.2],
         [2.2,3.6,8.2,7.3],
         [6.4,3.2,2.7,2.5]      
        ],
         [
         [2.2,7.3,4.4,6.2],
         [2.2,3.6,8.2,7.3],
         [6.4,3.2,2.7,2.5]      
        ]
        ])

print(matrix1.shape)
matrix2=tf.nn.softmax(matrix1,axis=2)
print(matrix2.shape)
matrix_sum=tf.reduce_sum(matrix2,axis=2)
sum3=0


print(matrix_sum.shape)

sess=tf.Session()
matrix1=sess.run(matrix1)
matrix2=sess.run(matrix2)
matrix_sum=sess.run(matrix_sum)

print(matrix1)
print('###########################')
print(matrix2)
print('###########################')
print(matrix_sum)

得出了结论，tf.nn.softmax和tf.reduce_sum针对的维数要相同的时候才能达到效果。

2，发现一个奇怪的问题，我明明对于不同的costvolume使用了不同的权值，为什么还会出现规律性的相同的值。

现在输出的值变成这样的，而且重复的次数刚好是Disparty的值，我觉得有点太巧了。

[[ 1.00000012   2.00000048   2.99999976 ..., 14.00000095 14.99999905
   16.00000381]
[ 1.           2.00000072   3.         ..., 14.00000286 14.99999905
   16.00000572]
[ 1.           1.99999988   3.00000048 ..., 14.00000191 15.00000191
   15.99999905]
...,
[ 1.           2.00000072   3.         ..., 14.00000286 14.99999905
   16.00000572]
[ 1.           1.99999988   3.00000048 ..., 14.00000191 15.00000191
   15.99999905]
[ 1.           2.00000072   3.         ..., 14.00000286 14.99999905
   16.00000572]]
[[ 1.00000012   2.00000048   2.99999976 ..., 14.00000095 14.99999905
   16.00000381]
[ 1.           2.00000072   3.         ..., 14.00000286 14.99999905
   16.00000572]
[ 1.           1.99999988   3.00000048 ..., 14.00000191 15.00000191
   15.99999905]
...,
[ 1.           2.00000072   3.         ..., 14.00000286 14.99999905
   16.00000572]
[ 1.           1.99999988   3.00000048 ..., 14.00000191 15.00000191
   15.99999905]
[ 1.           2.00000072   3.         ..., 14.00000286 14.99999905
   16.00000572]]
[[ 1.00000012   2.00000048   2.99999976 ..., 14.00000095 14.99999905
   16.00000381]
[ 1.           2.00000072   3.         ..., 14.00000286 14.99999905
   16.00000572]
[ 1.           1.99999988   3.00000048 ..., 14.00000191 15.00000191
   15.99999905]
...,
[ 1.           2.00000072   3.         ..., 14.00000286 14.99999905
   16.00000572]
[ 1.           1.99999988   3.00000048 ..., 14.00000191 15.00000191
   15.99999905]
[ 1.           2.00000072   3.         ..., 14.00000286 14.99999905
   16.00000572]]

这是部分最终的Dispmap的输出值。可以发现，实际上程序输出了不止一张图片，也就是输出了很多个二维矩阵。找到这个循坏所在就是关键。

3，刚刚又一个新的猜想，很大可能可以解决重复纹理问题。让我试试。把下面这句

logits=tf.reshape(tf.stack(all_cost_vol), [BATCH_SIZE,DISPARITY,IMG_H,IMG_W,IMAGE_CHANNEL])

改为：

logits=tf.reshape(tf.vstack(all_cost_vol), [BATCH_SIZE,DISPARITY,IMG_H,IMG_W,IMAGE_CHANNEL])

没有用

Created on Mon Oct  8 21:31:31 2018

@author: Lenovo
"""
a = tf.constant([1,2,3])
b = tf.constant([4,5,6])
c=tf.constant([7,8,9])

c = tf.stack([a,b],axis=0)
d = tf.stack([a,b],axis=1)



e = tf.unstack(d,axis=0)
f = tf.unstack(d,axis=1)

with tf.Session() as sess:
    print('原始向量数据：')   
    print(sess.run(a))    
    print(sess.run(b))         
    print('矩阵拼接的函数示例,得到一个矩阵：')  #返回值是多维矩阵    
    print('以"0维"的方式进行拼接')    
    print(sess.run(c))    
    print('以"1维"的方式进行拼接')    
    print(sess.run(d))        
    print('矩阵分解的函数示例，得到一个list：') #返回值是一个list       
    print('以"0维"的方式进行分解')    
    print(sess.run(e))    
    print('以"1维"的方式进行分解')    
    print(sess.run(f))

在睡觉之前，通过改正了两个地方的代码，我的图的效果终于有了一定的改进。

def computeSoftArgMin(logits,BATCH_SIZE):
  softmax = tf.nn.softmax(logits,axis=2)
 #sess=tf.Session()
 #sftmax_=sess.run(softmax)
  f1 = open("dispmap.txt", "w") #将值输出来看一下
# print(softmax_,file=f1)
# 
  print("softmax shape")
  print(softmax.shape)
  disp = tf.range(1, (DISPARITY+1), 1)
  
  disp = tf.cast(disp, tf.float32)
  disp_mat = []
  disp_mat = []
  for i in range(IMG_H*IMG_W):
    disp_mat.append(disp)
  disp_mat = tf.reshape(tf.stack(disp_mat,1), [IMG_H,IMG_W,DISPARITY])
  disp_mat=tf.to_float(disp_mat)
  print("disp_mat shape")
  print(disp_mat.shape)
  print(disp_mat,file=f1)
  result = tf.multiply(softmax, disp_mat)
  print("result shape before reduce")
  print(result.shape)
  result = tf.reduce_sum(result, 2)
  print("softmax result shape")
  result=tf.squeeze(result)
  print(result.shape)
  f1.close()
  return result



#######################网络的修改部分######################################
                。。。。。。
               x37 = -x37
                 x37=tf.reduce_mean(x37,1)
                 x37=tf.squeeze(x37)
                 print("tf.reduce_mean(x37,1)")
                 print(x37.shape)
                 all_cost_vol.append(x37)
                 print("now all_cost_vol")
                 print(len(all_cost_vol))
                 if d==6:
                     old_cost1=x37
                 if d==3:
                     old_cost2=x37
     
     #assert print(operator.eq(old_cost1,old_cost2))
     all_cost_vol=tf.stack(all_cost_vol,1)
     print('all_cost_vol')
     print(all_cost_vol.shape)
     logits=tf.reshape(all_cost_vol, [IMG_H,IMG_W,DISPARITY])
     
     #dispmap=computeSoftArgMin(logits,BATCH_SIZE)
     dispmap=logits
     return dispmap,all_cost_vol