所有
我试图用Keras对两个类进行图像分类。对于一个班级，我的图像数量非常有限，比如500.对于另一个班级，我的图像数量几乎无穷无尽。所以，如果我想使用keras图像预处理，该怎么做？理想情况下，我需要这样的东西。对于第一类，我提供500个图像并使用ImageDataGenerator来获取更多图像。对于第二类，每次我从1000000图像数据集中依次提取500个图像，并且可能不需要数据增加。在此处查看the example以及Keras documentation时，我发现默认情况下，培训文件夹包含每个类的相同数量的图像。所以我的问题是，是否存在用于执行此操作的现有API？如果是这样，请向我指出。如果没有，是否有针对此需求的解决方法？
答案 0 :(得分：7)
你有一些选择。
选项1
使用fit（）函数的class_weight参数，该函数是将类映射到权重值的字典。假设您有500个0级样本和1500个1级样本，而不是class_weight = {0:3 , 1:1}。这使得0级的等级是等级1的三倍。
train_generator.classes为您的加权提供了正确的类名。
如果您想以编程方式计算此数字而不是使用scikit-learn's sklearn.utils.compute_class_weight()：https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/utils/class_weight.py
该函数查看标签的分布并生成权重，以便同等地惩罚训练集中的不足或过度表示的类。
另请参阅此有用的帖子：https://github.com/fchollet/keras/issues/1875
此主题可能也有帮助：Is it possible to automatically infer the class_weight from flow_from_directory in Keras?
选项2
您使用带有生成器的虚拟训练运行，您可以应用旋转，缩放，裁剪，翻转等图像增强，并在以后保存增强图像以进行实际训练。通过这种方式，您可以为代表性不足的类创建更大或更平衡的数据集。
在这个虚拟运行中，您将save_to_dir函数中的flow_from_directory设置为您选择的文件夹，稍后只会从您需要更多样本的类中获取图像。您显然会丢弃任何培训结果，因为您只使用此次运行来获取更多数据。