TensorFlow 2中如何对符号张量调用crop_to_bounding_box？

报错原因 #

该问题由TensorFlow图模式（即你提到的符号张量执行场景）的静态参数校验逻辑导致：你虽然可以确认运行时last_white_pixel[0] - first_white_pixel[0]的结果始终大于0，但在图编译阶段，TensorFlow无法推导这个动态计算的差值张量的取值范围，只会按照通用规则校验tf.image.crop_to_bounding_box的输入合法性，因此会抛出target_height必须大于0的错误。

修复方案 #

方案1：高度取值兜底（推荐） #

对计算得到的裁剪高度加一层最小值限制，保证静态校验阶段就能确认参数符合要求，由于你确认运行时差值始终大于0，这层限制不会改变实际运行结果：

white_pixels = tf.where(input_img >= 25)
first_white_pixel = tf.cast(white_pixels[:, 0], dtype=tf.int32)
last_white_pixel = tf.cast(white_pixels[:, -1], dtype=tf.int32)
# 强制目标高度最小为1，满足静态校验要求
target_height = tf.maximum(last_white_pixel[0] - first_white_pixel[0], 1)
cropped = tf.image.crop_to_bounding_box(input_img, first_white_pixel[0], 0, target_height, 299)

方案2：分支兼容边界场景 #

如果需要兼容极端情况（比如真的出现差值<=0的异常输入），可以用tf.cond做分支处理，避免裁剪逻辑出错：

white_pixels = tf.where(input_img >= 25)
first_white_pixel = tf.cast(white_pixels[:, 0], dtype=tf.int32)
last_white_pixel = tf.cast(white_pixels[:, -1], dtype=tf.int32)

def normal_crop():
    target_height = last_white_pixel[0] - first_white_pixel[0]
    return tf.image.crop_to_bounding_box(input_img, first_white_pixel[0], 0, target_height, 299)

def fallback_crop():
    # 可自定义兜底逻辑，例如返回原图、返回固定尺寸占位图等
    return input_img

cropped = tf.cond(last_white_pixel[0] > first_white_pixel[0], normal_crop, fallback_crop)

内容的提问来源于stack exchange，提问作者kelkka