在Tensorflow中进行图像处理的黑色输出（使用jpeg解码器进行神经网络训练）

Question

我可以访问大量以TFRecords二进制格式存储的2048x2048x3 jpeg图片。后来，我使用存储的文件来训练深度神经网络。为了存储图片，我目前使用两种不同的方法。

第一个使用张量流。我定义了一个创建Tensorflow图的函数。我一直在为所有图片重复使用相同的图形：

def picture_decoder(height, width):

    g = tf.Graph()

    with g.as_default():

        picture_name_tensor = tf.placeholder(tf.string)

        picture_contents = tf.read_file(picture_name_tensor)

        picture = tf.image.decode_jpeg(picture_contents)

        picture_as_float = tf.image.convert_image_dtype(picture, tf.float32)

        picture_4d = tf.expand_dims(picture_as_float, 0)

        resize_shape = tf.stack([height, width])

        resize_shape_as_int = tf.cast(resize_shape, dtype=tf.int32)

        final_tensor =  tf.image.resize_bilinear(picture_4d, resize_shape_as_int)

    return g, picture_name_tensor, final_tensor

Height, Width = 300, 300

graph, nameholder, image_tensor = picture_decoder(Height, Width)                                        

with tf.Session(graph=graph) as sess:

    init = tf.group( tf.global_variables_initializer(), tf.local_variables_initializer() )

    sess.run(init)

    #Loop through the  pictures

    for(...picture_name...):

        picture = sess.run(image_tensor, feed_dict={nameholder: picture_name} )    

第二种方法使用numpy：

def picture_decoder_numpy(picture_name, height, width):

    image = Image.open(picture_name)

    image = image.resize((height,width), Image.LANCZOS)

    image = np.array(image, dtype=np.int32)                             

    return np.expand_dims(image, axis=0)

Heigth, Width = 300, 300

for(...picture_name...):

    picture = picture_decoder_numpy(pict, Height, Width)

第一种方法似乎比第二种方法快约6倍。

我面临的问题与以后的培训有关。对于第一种情况，我定义的深度神经网络无法学习，即，其损失在许多时期内都没有改善，并且仅比1小一点。使用第二种方法，在不更改任何神经网络参数的情况下，损失达到了E-05值。我是否缺少一些Tensorflow细节？

如有必要，我可以发布完整的代码。