使用flow_from_directory进行培训和验证，无需增加

Question

我正在训练一个Nt = 148 + Nv = 37图像的简单CNN，分别用于训练和验证。我之所以使用ImageGenerator.flow_from_directory()方法是因为我计划将来使用数据扩充，但是暂时我不希望任何数据扩充。我只想从磁盘一张一张地读取图像（每张图像一次，这对于验证非常重要），以避免将所有图像都加载到内存中。

但是以下情况使我认为发生了与预期不同的事情：

训练和验证准确性达到的值与以148或37为分母的分数不同。实际上，尝试从三角数的一个约数中估算一个合理的分母会导致数字远大于148（大约534或551，请参阅下文（*），为什么我认为它们应该是19的倍数）和37的倍数。
1. 验证训练数据集和验证数据集上的所有预测（使用单独的程序，该程序仅读取验证目录一次，并且不使用上述生成器），显示出许多不完全的失败（1-val_acc ）*我期望的NV

（*）最后，我发现我两者都使用的批处理大小为19，所以我希望我每个时期提供19 * 7 = 133或19 * 8 = 152训练图像，并提供19或38图像作为验证在每个时代结束时设置。

顺便说一句：可以将model.fit_generator()与ImageGenerator.flow_from_directory()构建的生成器一起使用来实现： -没有数据扩充 -两个生成器应分别将每个图像分别提供给训练过程和验证过程一次 -改组是很好的，并且是实际需要的，因此每个时期运行的不同

同时，我将自己的批次大小设置为等于验证集长度（即37）。作为训练集数量的划分者，我认为它应该计算出数字。

但是我仍然不确定以下代码是否达到了“完全不增加数据”的要求

valid_augmenter = ImageDataGenerator(rescale=1./255)

val_batch_size = 37

train_generator = train_augmenter.flow_from_directory(
    train_data_dir,
    target_size=(img_height, img_width),
    batch_size=val_batch_size,
    class_mode='binary',
    color_mode='grayscale',
    follow_links=True )

validation_generator = valid_augmenter.flow_from_directory(
    validation_data_dir,
    target_size=(img_height,img_width),
    batch_size=val_batch_size,
    class_mode='binary',
    color_mode='grayscale',
    follow_links=True )

Answer 1

您遇到的一些问题。 首先，该图像量非常低。废弃更多图像并使用增强功能。 其次，我看到了典型的分数：

总数据中：

火车的80％

20％进行验证。

将选择的图像按该比例放置在文件夹中。

第三，您可以检查是否将代码行插入到flow_from_directory调用的最后一行之后（并在最后一行之后加上逗号）：

save_to_dir='folder_to_see_augmented_images'

然后运行模型（编译，然后拟合）并检查save_to_dir文件夹的内容。