Heim > Backend-Entwicklung > Python-Tutorial > Produktiver Fehlerbehandler

Produktiver Fehlerbehandler

Patricia Arquette
Freigeben: 2024-11-25 00:41:14
Original
129 Leute haben es durchsucht

Productive error handler

Klassifizierungsaufgaben sind in der KI am häufigsten, da sie nur wenige Bibliotheken erfordern. Ich versuche, mit den Ressourcen eines Online-Compilers zu schreiben, ohne die Feinheiten der Arbeit zu verstehen.

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
Nach dem Login kopieren

Mit der Funktion zum Dekodieren der Masken 0/1 können Sie sich beispielsweise auf deren Längen verlassen. Aber um Batch-Pakete eines neuronalen Netzwerks zu generieren, müssen Sie immer noch die aktuellen Ergebnisse überwachen.

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)
Nach dem Login kopieren
  1. Ich stelle gerne Zwischenausgaben des Ergebnisses für den Blickkontakt mit dem Code bereit
  2. Wenn das Ergebnis nicht zufriedenstellend zu sein scheint, bearbeite ich die vorherigen Funktionen
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()
Nach dem Login kopieren

Ausgabe des Ergebnisses = garantierter Kontakt mit dem geschriebenen Code. In diesem Fall ist keine Ausnahmebehandlung erforderlich.

Das obige ist der detaillierte Inhalt vonProduktiver Fehlerbehandler. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Quelle:dev.to
Erklärung dieser Website
Der Inhalt dieses Artikels wird freiwillig von Internetnutzern beigesteuert und das Urheberrecht liegt beim ursprünglichen Autor. Diese Website übernimmt keine entsprechende rechtliche Verantwortung. Wenn Sie Inhalte finden, bei denen der Verdacht eines Plagiats oder einer Rechtsverletzung besteht, wenden Sie sich bitte an admin@php.cn
Neueste Artikel des Autors
Beliebte Tutorials
Mehr>
Neueste Downloads
Mehr>
Web-Effekte
Quellcode der Website
Website-Materialien
Frontend-Vorlage