【Tensorflow2.0】关于制作标签遇到的问题小结

every blog every motto: You can do more than you think.

0. 前言

制作样本标签中遇到问题的小结，有关softmax

1. 正文

1.1 遇到困难的代码

深度学习中所涉及到的数据有三个：
(x_train,y_train) =(样本，样本标签），还有一个y_predict（预测值）
深度学习的主要思想是根据样本标签（y_train，也称y_true)和预测值（y_predict)计算两者的差距，然后不断调整参数，使差距尽可能的小。

---

下面的代码就是因为样本标签（y_train,代码中的img_array，（208，208，3））不满足要求，要进行调整为（（208，208，2））满足要求的 (这里用labels表示，和下面代码变量名一样，方便叙述）
目的：是将样本标签（y_trian)调整到适合和预测值（y_predict)计算的形状和值，即y_train => labels
说明： 不仅要调整形状，还要调整每个通道的值（原本标签中三个通道的值使相同的）

一句话概括：合并图层的逆操作（将一张合并的图层拆分成几个小图层）

# 生成标签，标签的shape是(208,208,class_numbers)=(208,208,2),里面的值全为0
labels = np.zeros((int(HEIGHT / 2), int(WIDHT / 2), CLASS_NUMBERS))
print('label shape: ',labels.shape)
# 下面将(208,208,3) => (208,208,2)
for cn in range(CLASS_NUMBERS): # range(0,2) => 0,1
    # 标签数组中，斑马线的值为1，其他为0 （三个通道值相同！！！），所以下面选第0通道
    # (img_array[:, :, 0]==cn) ，（208，208）里面的值，如果和cn
    labels[:, :, cn] = (img_array[:, :, 0]==cn).astype(int)
labels = np.reshape(labels,(-1,CLASS_NUMBERS)) # (208,208,2)=>(208*208,2)

标签数据，如下图：
下面的数据其实使有值的，只是看不出。为什么呢？
根据分类数的不同，像元值（范围）也不同。比如：分4类。背景为0，像元值也为0，第一类像元值为1，依次类推。只是这里举例说的单通道。
比如，下面某一个像元的为第2类（背景和斑马线）。背景（三个通道的）值为000，斑马线（三个通道的）值为111（R:1;G:1;B:1，每个通道都是1）. 所以这是一张肉眼无法分辨的有数值的图像。

1.2 举例说明

y_train（代码中的img_array) 三个通道 （可以把通道看作是图层） 中的值相同，下面以0通道为例：
这是一张2 * 2的图片，其中1代码斑马线，0代表背景。剩余两个通道中的值和这一样。

下面是生成的labels 数组（通道数为2），

labels = np.zeros((2,2,2))

涉及的代码如下:

# 下面将(208,208,3) => (208,208,2)
for cn in range(CLASS_NUMBERS): # range(0,2) => 0,1
    # 标签数组中，斑马线的值为1，其他为0 （三个通道值相同！！！），所以下面选第0通道
    # (img_array[:, :, 0]==cn) ，（208，208）里面的值，如果和cn
    labels[:, :, cn] = (img_array[:, :, 0]==cn).astype(int)

cn取值分别为0，1（因为CLASS_NUMBERS=2，分两类）

img_array = np.ones((2,2,2))
img_array[1,1] = 0
img_array[:,:,0]

打印第0通道：

当cn=0,时，和0比较，如下：

t = img[:,:,0] == 0

将True或False转成1或0：

t.astype(int)

将结果，赋值给labels的第0通道

labels[:, :, 0] = t

---

当 cn =1 时，

t = img[:,:,0] ==1

T/F转成称1/0，如下图

t.astype(int)

将结果赋值给labels的第1通道

labels[:, :, 1] = t

---

可用的labels为：

图像上的变化，如下图：

初始标签（img_array)三个通道上的值是相同的，经过转换后，第0通道（代表背景）上背景位置（右下角）值为1，第1通道（代表斑马线）上斑马线位置（其余三个）的值为1。
至此， 完成。相当于把合并在一张图层上的值，分成两个图层（再经过softmax)。和预测的y_predict现在可以进行交叉熵计算了。