Estoy trabajando en una red neuronal convolucional en tensorflow y tengo un problema. El problema es que la imagen de entrada que leo a través de tfrecords contiene una cierta cantidad de valores nan. La causa de esto es que la imagen representa un mapa de profundidad que tiene algunos valores infinitos, y en el proceso de codificarlo en el tfrecord y luego decodificarlo para enviarlo a la red, estos valores infinitos se convierten en valores nan.
Ahora, dado que en mi situación reemplazar los valores infinitos en la imagen original antes de codificarla en los tfrecors no es una opción, hay alguna forma en que pueda reemplazar los valores nan en mi tensor de imagen como una operación antes de alimentarlo a la ¿red?
Una combinación de tf.where y tf.is_nan debería funcionar:
import tensorflow as tf with tf.Session(): has_nans = tf.constant([float('NaN'), 1.]) print(tf.where(tf.is_nan(has_nans), tf.zeros_like(has_nans), has_nans).eval())
Imprime (usando TensorFlow 0.12.1):
[ 0. 1.]
Si alguien está buscando la solución en Tensorflow 2.0, el código adaptado de Allen Lavoie es:
import tensorflow as tf with tf.compat.v1.Session(): has_nans = tf.constant([float('NaN'), 1.]) print(tf.where(tf.math.is_nan(has_nans), tf.zeros_like(has_nans), has_nans).eval())
Un enfoque mucho más fácil, compatible con TF2.0, es simplemente usar tf.clip_by_value
, que refleja np.clip
y elimina NaNs (ver aquí ):
no_nans = tf.clip_by_value(has_nans, -1e12, 1e12)
Algunas advertencias: 1) esto también elimina infs 2) Dependiendo de su aplicación, es posible que deba establecer el valor del clip en un valor alto para evitar perder información.