高效率的錯誤處理程序

分類任務是人工智慧中最常見的任務，因為它需要很少的函式庫。我嘗試使用線上編譯器的資源進行編寫，但不了解工作的複雜性。

def rle_decode(mask_rle, shape=(1280, 1918, 1)):
    '''
    mask_rle: run-length as string formated (start length)
    shape: (height,width) of array to return 
    Returns numpy array, 1 - mask, 0 - background
    '''
    img = np.zeros(shape[0]*shape[1], dtype=np.uint8)

    s = mask_rle.split()
    starts, lengths = [np.asarray(x, dtype=int) for x in (s[0:][::2], s[1:][::2])]
    starts -= 1
    ends = starts + lengths    
    for lo, hi in zip(starts, ends):
        img[lo:hi] = 1

    img = img.reshape(shape)
    return img

例如，使用解碼遮罩0/1的功能，您可以依賴它們的長度。但要產生神經網路的批量資料包，您仍然需要監控當前結果。

def keras_generator(gen_df, batch_size):
    while True:
        x_batch = []
        y_batch = []

        for i in range(batch_size):
            img_name, mask_rle = gen_df.sample(1).values[0] 
            img = cv2.imread('data/train/{}'.format(img_name))
            mask = rle_decode(mask_rle)

            img = cv2.resize(img, (256, 256)) 
            mask = cv2.resize(mask, (256, 256))

            x_batch += [img] 
            y_batch += [mask]

        x_batch = np.array(x_batch) / 255. 
        y_batch = np.array(y_batch)

        yield x_batch, np.expand_dims(y_batch, -1)

1. 我喜歡將結果的中間輸出與程式碼進行眼神交流
2. 如果結果似乎不太令人滿意，我會編輯先前的函數

im_id = 5
fig, axes = plt.subplots(nrows=1, ncols=2, figsize=(25, 25))
axes[0].imshow(x[im_id]) 
axes[1].imshow(pred[im_id, ..., 0] > 0.5) 

plt.show()

結果的輸出=保證與所寫的程式碼接觸。在這種情況下，不需要異常處理。

以上是高效率的錯誤處理程序的詳細內容。更多資訊請關注PHP中文網其他相關文章！