Kein Problem, wir können immer noch tf.image.resize_images verwenden. Was wir tun müssen ist, senden Sie die Daten an tf.image.resize_images in der Form, die es braucht, das ist ein Tensor (4D).
# First reorder your dimensions to place them where tf.image.resize_images needs them
transposed = tf.transpose(yourData, [0,3,1,2,4])
# it is now [5,10,50,50,256]
# but we need it to be 4 dimensions, not 5
reshaped = tf.reshape(transposed, [5*10,50,50,256])
# and finally we use tf.image.resize_images
new_size = tf.constant([ 100 , 100 ])
resized = tf.image.resize_images(reshaped , new_size)
# your data is now [5*10,100,100,256]
undo_reshape = tf.reshape(resized, [5,10,100,100,256])
# it is now [5,10,100,100,256] so lastly we need to reorder it
undo_transpose = tf.transpose(undo_reshape, [0,2,3,1,4])
# your output is now [5,100,100,10,256]
Danke für die Antwort. Es war so schlau. Darf ich fragen, warum Sie den Tensor auf den ersten Platz setzen? Ist es nicht besser, zuerst einen [5,50,50,10,256] Tensor auf einen [5,50,50,10 * 256] Tensor umzuformen und nach einer Größenanpassung auf [5,100,100,10 * 256] ihn auf [5,100,100] umzuformen , 10,256]? So können wir eine zusätzliche Transponierung vermeiden. –
Dooh! Du hast Recht. das wäre einfacher! – Wontonimo