为非分类问题导入成批图像

Question

我试图做一个超分辨率的网络，但我在导入我自己的数据时遇到了困难。我有两种类型的图像:调整大小的图像(较小的)，原始图像。第一个将用作网络的输入，第二个将用于网络的培训。

问题是，我需要批量加载图像，因为我的计算机没有足够的GPU内存来同时构建整个数据集。我认为使用以下代码可以工作：

train_ds = tf.keras.utils.image_dataset_from_directory(
  data_dir,
  validation_split=0.2,
  subset="training",
  seed=123,
  image_size=(img_height, img_width),
  batch_size=batch_size)

问题是，我只知道如何使其工作在分类问题，因为，就我而言，它是专为只有培训和验证数据集。

为了实现超分辨率，我需要四个数据集：

正常尺寸列车

小型列车

正常尺寸试验

小尺寸试验

注意:当我为调整大小的图像创建张量和为原始图像创建另一个张量时，我的程序可以工作，但是现在我想实现一个更大的数据集。

Answer 1

我认为最好为这个任务实现一个数据生成器。举个例子。如果数据集中的图像不具有相同的形状，则可以/必须添加图像整形。

def image_generator(path, batch_size=16):
    list_path = glob.glob(path)
    index = 0
    list_of_low_dim_images = []
    list_of_high_dim_images = []
    size = len(list_path)
    while True:
        index +=1
        for path in list_path:
            path2 = path.replace("small", "normal")
            small_img = tf.io.read_file(path)
            small_img = decode_img(small_img)
            normal_img = tf.io.read_file(path2)
            normal_img = decode_img(normal_img)
            list_of_low_dim_images.append(small_img)
            list_of_high_dim_images.append(normal_img)
            if index == batch_size:
                inedx = 0
                yield list_of_low_dim_images,list_of_high_dim_images