Question

我有一个训练数据集，准备如下：

Irrlicht.lib

FileName s01_l01/1_1.png Labels_onehot [[0.0, 0.0, 0.0,..., 1.0],..., [0.0, 0.0, 1.0,..., 0.0]]直接导致输入图像。我想对图像进行预处理（将它们调整为（224，224）并重新缩放为（1./255)。FileName是一个热编码的标签。这些不必进一步预处理。

最后，经过预处理的图像是我的Labels_onehot数据。

X_train

标签是X_train.shape (n, 224, 224, 3)数据。

y_train

到目前为止，我正在手动预处理图像，然后加载预处理的图像（一个数据集）和标签（其他数据集）。这不是一种非常有效的方法，它会完全填满我的RAM。

但是最终，我能够相对容易地拟合我的模型，例如使用以下代码：

y_train.shape
(n, 8, 36)

现在，我想知道如何使用model.fit(X_train, y_train, epochs=50, batch_size=32)实现相同的目标。有没有一种方法可以手动执行我之前执行的所有步骤？

Answer 1

ImageDataGenerator有很多方法

流：获取要素数据和标签数组，并返回一个迭代器，该迭代器生成生成的扩充数据批。
flow_from_directory：获取目录的路径并生成一批扩充数据。

首先，我们将创建ImageDataGenerator的实例。

aug = tf.keras.preprocessing.image.ImageDataGenerator( rotation_range=20,
width_shift_range=0.1, shear_range=0.2, zoom_range=0.4, horizontal_flip=True)

rotation_range ：度（0到180）。
width_shift_range 和 height_shift_range 用于水平和垂直垂直移动。
zoom_range ：缩放量。如果为标量z，则缩放比例为在[1-z，1 + z]范围内随机选择。
horizontal_flip ：是否随机水平翻转图像。
vertical_flip ：是否垂直随机翻转图像。
重新缩放：重新缩放比例。这会将图像乘以缩放系数。通过指定1.0 / 255的重缩放因子，这可能是标准化数据的有用方法。

flow函数返回一个生成器，它是一个Python迭代器对象，用于构造我们的增强图像

flow_train_generator = aug.flow(x_train, y_train, batch_size=32)

flow_from_directory方法返回一个迭代器，该迭代器生成（x，y）元组，其中x是包含一批图像的NumPy数组，而y是对应标签的NumPy数组。

flow_dict_train_generator = aug.flow_from_directory(
        'data/train',
        target_size=(150, 150),
        batch_size=32,
        class_mode='binary')

请注意，每次在生成新批处理之前直接从磁盘读取数据时，来自目录的流会减慢模型训练过程，然后再对数据进行修改，然后再将该批处理传递给网络。

有关更多详细信息，请参见以下链接： https://www.tensorflow.org/api_docs/python/tf/keras/preprocessing/image/ImageDataGenerator

使用ImageDataGenerator进行批量训练

1 个答案: