我无法理解为什么MetaDic总是为空.
有一个代码.

CFDataRef dataRef = CGDataProvidercopyData(CGImageGetDataProvider(img.CGImage)); //(UIImage *img)
    CGImageSourceRef mySourceRef =  CGImageSourceCreateWithData(dataRef,NULL);
    NSDictionary *MetaDic = (NSDictionary *) CGImageSourcecopyPropertiesAtIndex(mySourceRef,NULL);
    NSDictionary *tiffDic = (NSDictionary *)[MetaDic objectForKey:(Nsstring *)kCGImagePropertyTIFFDictionary];
    Nsstring *AuthorName  =  [tiffDic objectForKey:(Nsstring *)kCGImagePropertyTIFFArtist];

我做了一些获取图片的变种.在这里我发现了：

获取信息的一种方式 – 我需要从网站上获取它,并在那里得到我的信息：

//  NSURL *UrlPath  - path of picture    image.jpg   from web site
            NSData *dataimg = [NSData dataWithContentsOfURL:UrlPath];

            CGImageSourceRef mySource =  CGImageSourceCreateWithData((CFDataRef)dataimg,NULL); 
            NSDictionary *MetaDic = (NSDictionary *) CGImageSourcecopyPropertiesAtIndex(mySource,NULL);
            NSDictionary *tiffDic = [MetaDic objectForKey:(Nsstring *)kCGImagePropertyTIFFDictionary];

            /// Log of tiffDic    
tiffDic = {
Artist =(
  "mr. Smith"
  );
}

另一种方式 – 从NSBoudle mainBundle读取图片：

// NSURL *NSBundleUrl  -  - path of the same  picture    image.jpg   from [[NSBundle mainBundle] 
            CGImageSourceRef mySource = CGImageSourceCreateWithURL( (CFURLRef) NSBundleUrl,NULL);
            NSDictionary *MetaDic = (NSDictionary *) CGImageSourcecopyPropertiesAtIndex(mySource,NULL);
            NSDictionary *tiffDic = [MetaDic objectForKey:(Nsstring *)kCGImagePropertyTIFFDictionary];

/// Log of tiffDic
tiffDic = {
    Artist = "mr. Smith"; 
}

当图片数据来自网站时,为什么它会为艺术家的名字提供大括号？

您的数据路径如下所示：

UIImage -> CGImage -> CGDataProvider -> CGImageSource

这是清理元数据图像的第三步. CGDataProviders是一种“旧”机制,用于将数据以“limited functionality”的形式传入Quartz – 这意味着 – 除其他外 – 它们不支持元数据.

尝试这样的事情：

NSData* jpegData = UIImageJPEGRepresentation(image,1.0);
CFDataRef dataRef = (__bridge CFDataRef)jpegData;
CGImageSourceRef source = CGImageSourceCreateWithData(dataRef,NULL);

数据路径：

UIImage -> NS/CFData -> CGImageSource

这将保留元数据.

如果您使用UIImage作为起点,那么以这种方式获取authorName可能没什么好运. UIImage剥离了许多可能伴随原始图像源的元数据(TiffDict似乎被剥离到只有方向标记).您真的希望从它的源读取“未解释的”数据并在不读取图像数据的情况下提取元数据(这是使用CGImageSourceRef的好处之一).

我有a little test project up on github比较从各种来源提取图像元数据的方法 – 文件系统,网络URL,资产库,相机,也许你应该看看.

更新
正如彼得指出的那样(我的项目显示) – 您不应该使用UIImage,而是使用原始数据源.在你的情况下,它是一个文件系统源,如下所示：

Nsstring* path = @"/path/to/resource";
 NSData *data = [NSData dataWithContentsOfFile:path];
 CGImageSourceRef source = CGImageSourceCreateWithData((__bridge CFDataRef)data,NULL);

或者更好(正如彼得指出的那样！)你可以使用CGImageSourceCreateWithURL并完全跳过NSData步骤.

我正在Mac OSX上使用Keras在虚拟数据上培训MobileNet架构.我设置了nump.random和tensorflow.set_random_seed,但由于某些原因我无法获得可重现的结果：每次重新运行代码时,我都会得到不同的结果.为什么？这不是因为GPU,因为我在拥有Radeon显卡的MacBook Pro 2017上运行,因此Tensorflow没有利用它.代码运行

python Keras_test.py

所以这不是状态问题(我没有使用Jupyter或IPython：每次运行代码时都应该重置环境).

编辑：我在导入Keras之前通过移动所有种子的设置来更改我的代码.结果仍然不确定,但结果的方差比以前小得多.这非常离奇.

目前的模型非常小(就深度神经网络而言)并不是微不足道的,它不需要GPU运行,它可以在几分钟内在现代笔记本电脑上进行训练,因此重复我的实验是在任何人的能力范围内.我邀请你这样做：我对了解从系统到另一个系统的变化程度非常感兴趣.

import numpy as np
# random seeds must be set before importing keras & tensorflow
my_seed = 512
np.random.seed(my_seed)
import random 
random.seed(my_seed)
import tensorflow as tf
tf.set_random_seed(my_seed)

# Now we can import keras
import keras.utils
from keras.applications import MobileNet
from keras.callbacks import ModelCheckpoint
from keras.optimizers import Adam
import os

height = 224
width = 224
channels = 3
epochs = 10
num_classes = 10



# Generate dummy data
batch_size = 32  
n_train = 256
n_test = 64
x_train = np.random.random((n_train,height,width,channels))
y_train = keras.utils.to_categorical(np.random.randint(num_classes,size=(n_train,1)),num_classes=num_classes)
x_test = np.random.random((n_test,channels))
y_test = keras.utils.to_categorical(np.random.randint(num_classes,size=(n_test,num_classes=num_classes)
# Get input shape
input_shape = x_train.shape[1:]

# Instantiate model 
model = MobileNet(weights=None,input_shape=input_shape,classes=num_classes)

model.compile(loss='categorical_crossentropy',optimizer='adam',metrics=['accuracy'])
# Viewing Model Configuration
model.summary()

# Model file name
filepath = 'model_epoch_{epoch:02d}_loss_{loss:0.2f}_val_{val_loss:.2f}.hdf5'

# Define save_best_only checkpointer
checkpointer = ModelCheckpoint(filepath=filepath,monitor='val_acc',verbose=1,save_best_only=True)

# Let's fit!
model.fit(x_train,y_train,batch_size=batch_size,epochs=epochs,validation_data=(x_test,y_test),callbacks=[checkpointer])

和往常一样,这是我的Python,Keras& Tensorflow版本：

python -c 'import keras; import tensorflow; import sys; print(sys.version,'keras.__version__','tensorflow.__version__')'
/anaconda2/lib/python2.7/site-packages/h5py/__init__.py:36: FutureWarning: Conversion of the second argument of issubdtype from `float` to `np.floating` is deprecated. In future,it will be treated as `np.float64 == np.dtype(float).type`.
  from ._conv import register_converters as _register_converters
Using TensorFlow backend.
('2.7.15 |Anaconda,Inc.| (default,May  1 2018,18:37:05) \n[GCC 4.2.1 Compatible Clang 4.0.1 (tags/RELEASE_401/final)]','2.1.6','1.8.0')

以下是多次运行此代码所获得的一些结果：如您所见,代码使用描述性文件名保存10个时期中的最佳模型(最佳验证准确性),因此比较不同运行中的文件名可以判断结果的可变性.

model_epoch_01_loss_2.39_val_3.28.hdf5
model_epoch_01_loss_2.39_val_3.54.hdf5
model_epoch_01_loss_2.40_val_3.47.hdf5
model_epoch_01_loss_2.41_val_3.08.hdf5

您可以在Keras docs： https://keras.io/getting-started/faq/#how-can-i-obtain-reproducible-results-using-keras-during-development找到答案.

简而言之,为了确保您可以在一台计算机/笔记本电脑的cpu上使用python脚本获得可重现的结果,那么您将不得不执行以下操作：

>将PYTHONHASHSEED环境变量设置为固定值
>将python内置伪随机生成器设置为固定值
>将numpy伪随机生成器设置为固定值
>将tensorflow伪随机生成器设置为固定值
>配置新的全局张量流会话

在顶部的Keras链接之后,我使用的源代码如下：

# Seed value
# Apparently you may use different seed values at each stage
seed_value= 0

# 1. Set `PYTHONHASHSEED` environment variable at a fixed value
import os
os.environ['PYTHONHASHSEED']=str(seed_value)

# 2. Set `python` built-in pseudo-random generator at a fixed value
import random
random.seed(seed_value)

# 3. Set `numpy` pseudo-random generator at a fixed value
import numpy as np
np.random.seed(seed_value)

# 4. Set `tensorflow` pseudo-random generator at a fixed value
import tensorflow as tf
tf.set_random_seed(seed_value)

# 5. Configure a new global `tensorflow` session
from keras import backend as K
session_conf = tf.ConfigProto(intra_op_parallelism_threads=1,inter_op_parallelism_threads=1)
sess = tf.Session(graph=tf.get_default_graph(),config=session_conf)
K.set_session(sess)

毋庸置疑,您不必在python脚本中使用的numpy,scikit-learn或tensorflow / keras函数中指定任何种子或random_state,因为上面的源代码我们全局设置了伪 – 固定值的随机发电机.

说,我有一个输出dims(4,x,y)的图层.我想把它分成4个独立的(1,y)张量,我可以用它作为4个其他层的输入.

我基本上寻找的是与Merge层相反的东西.我知道keras中没有分割层,但是在keras中有一个简单的方法吗？

你在找这样的东西吗？

import keras.backend as K
import numpy as np

val = np.random.random((4,2,3))
t = K.variable(value=val)
t1 = t[0,:,:]
t2 = t[1,:]
t3 = t[2,:]
t4 = t[3,:]

print('t1:\n',K.eval(t1))
print('t2:\n',K.eval(t2))
print('t3:\n',K.eval(t3))
print('t4:\n',K.eval(t4))
print('t:\n',K.eval(t))

它给出了以下输出：

t1:
 [[ 0.18787734  0.1085723   0.01127671]
 [ 0.06032621  0.14528386  0.21176969]]
t2:
 [[ 0.34292713  0.56848335  0.83797884]
 [ 0.11579451  0.21607392  0.80680907]]
t3:
 [[ 0.1908586   0.48186591  0.23439431]
 [ 0.93413448  0.535191    0.16410089]]
t4:
 [[ 0.54303145  0.78971165  0.9961108 ]
 [ 0.87826216  0.49061012  0.42450914]]
t:
 [[[ 0.18787734  0.1085723   0.01127671]
  [ 0.06032621  0.14528386  0.21176969]]

 [[ 0.34292713  0.56848335  0.83797884]
  [ 0.11579451  0.21607392  0.80680907]]

 [[ 0.1908586   0.48186591  0.23439431]
  [ 0.93413448  0.535191    0.16410089]]

 [[ 0.54303145  0.78971165  0.9961108 ]
  [ 0.87826216  0.49061012  0.42450914]]]

注意,现在t1,t2,t3,t4具有形状(2,3).

print(t1.shape.eval()) # prints [2 3]

因此,如果要保持3d形状,则需要执行以下操作：

t1 = t[0,:].reshape((1,3))
t2 = t[1,3))
t3 = t[2,3))
t4 = t[3,3))

现在,您可以获得正确尺寸的吐出张量.

print(t1.shape.eval()) # prints [1 2 3]

希望它能帮助您解决问题.