Question

我从事一些我想创建神经网络的机器学习项目，但是它还不够成功。所以我决定使用daa增强。但是问题来了-我不确定如何将其与我开始研究的架构一起使用。我的文件夹中的数据集具有以下结构：

<ul>
<li>
<ul>train
   <li>class 1</li>
   <li>class 2</li>
   <li>class 3</li>
   <li>class 4</li>
</ul>
</li>
<li><ul> validation
   <li>class 1</li>
   <li>class 2</li>
   <li>class 3</li>
   <li>class 4</li>
</ul>
</li></ul>

所有在“数据”文件夹中。主文件夹指示它分别存储用于训练或验证的数据，子文件夹存储特定类别的图像。（该类表示图像上的第1、2或3个对象（前三个可能是不同的，这意味着：同一幅图像可以延续由两个或什至3个类定义的事物），第4类表示“不存在类型为1的对象，图片上的2或3”）我将这些文件夹的本地化存储在两个变量中：“ train_dir”和“ validation_dir”（通过使用os库获得）

我通过以下方式准备数据和生成器：

train_image_generator = ImageDataGenerator(
    rotation_range=20,
    width_shift_range=0.1,
    height_shift_range=0.1,
    shear_range=10,
    brightness_range= (0.2, 0.8),
    horizontal_flip=True,
    vertical_flip=True,
    fill_mode='nearest',
    rescale=1./255 #before augmentation ussage that was the only line
)

validation_image_generator = ImageDataGenerator(rescale=1./255)


train_data_gen = train_image_generator.flow_from_directory(batch_size=batch_size,
                                                   directory=train_dir,
                                                   shuffle=True,
                                                   target_size=(IMG_HEIGHT, IMG_WIDTH),
                                                   class_mode='binary')


val_data_gen = validation_image_generator.flow_from_directory(batch_size=batch_size,
                                               directory=validation_dir,
                                               target_size=(IMG_HEIGHT, IMG_WIDTH),
                                               class_mode='binary')

然后我准备模型：

model = Sequential([
    Conv2D(32, 3, padding='same', activation='relu', input_shape=(IMG_HEIGHT, IMG_WIDTH ,3)),
    MaxPooling2D(),
    Conv2D(64, 3, padding='same', activation='relu'),
    MaxPooling2D(),
    Conv2D(128, 3, padding='same', activation='relu'),
    MaxPooling2D(),
    Flatten(),
    Dense(64, activation='relu'),
    Dense(1, activation='sigmoid')
])

model.compile(optimizer='adam',
              loss='binary_crossentropy',
              metrics=['accuracy'])

model.summary()

然后我卡住了。我不知道如何使用model.fit_generator（）。我的意思是，我应该使用什么参数。这是我之前决定使用增强功能的条件：

history = model.fit_generator(
    train_data_gen,
    steps_per_epoch=total_train // batch_size, #I know that total_train is value I will have to recalculate while using augmentation.
    epochs=epochs,
    validation_data=val_data_gen,
    validation_steps=total_val // batch_size
)

我试图用'validation_image_generator.flow（train_data_gen）'代替'train_data_gen'

如何在Keras中将数据增强用于文件中的数据集？

0 个答案: