TensorFlow如何将2D float数组作为图像类型数据进行输入？

你手头的原生2D浮点数组不需要使用tf.io.decode_*系列接口，这类接口仅用于解码JPG、PNG等经过压缩编码的图像二进制流，你的场景直接使用tf.convert_to_tensor()即可完成转换，tf.io.decode_raw()仅适用于处理序列化后的二进制原始字节数据，常规场景不需要用到。

最简单样本转换示例 #

import tensorflow as tf
import numpy as np

# 模拟你手头的2D浮点数据，尺寸假设为128*128，取值范围0-600
raw_2d_array = np.random.uniform(low=0.0, high=600.0, size=(128, 128)).astype(np.float32)

# 直接转换为TensorFlow张量
input_tensor = tf.convert_to_tensor(raw_2d_array, dtype=tf.float32)

# 若对接卷积类模型，需要补充批次维度和通道维度，转换为[batch, height, width, channels]的标准输入格式
# 以下操作会将形状转为[1, 128, 128, 1]，适配大多数CV类模型的输入要求
input_tensor = tf.expand_dims(tf.expand_dims(input_tensor, axis=0), axis=-1)

批量训练数据集构建示例 #

如果需要批量加载数据训练模型，可以直接基于tf.data.Dataset构建输入管道：

import tensorflow as tf
import numpy as np

# 模拟100个样本的数据集，每个样本为128*128的2D浮点数组
batch_raw_data = np.random.uniform(low=0.0, high=600.0, size=(100, 128, 128)).astype(np.float32)
# 模拟对应标签，可根据你的任务类型调整
labels = np.random.randint(0, 10, size=(100,))

# 构建数据集
dataset = tf.data.Dataset.from_tensor_slices((batch_raw_data, labels))

# 预处理函数，可根据需求自定义
def preprocess(data, label):
    # 补充单通道维度
    data = tf.expand_dims(data, axis=-1)
    # 可选：将0-600的取值范围归一化到0-1，加速模型收敛
    data = data / 600.0
    return data, label

# 配置数据集的打乱、批次、预处理逻辑
dataset = dataset.shuffle(buffer_size=100).map(preprocess).batch(batch_size=8)

# 直接传入模型训练即可
# model.fit(dataset, epochs=10)

注意事项 #

• 如果你的2D数组存储为npy格式，直接用np.load()读取后走上述转换流程即可，不需要调用任何解码类接口
• 未归一化的0-600取值范围输入模型也可运行，但大概率会导致梯度波动大、收敛慢，建议根据模型特性做归一化或标准化处理

内容的提问来源于stack exchange，提问作者Terrapin