深度解析 Keras 中的图片预处理：图片生成器 ImageDataGeneraor

  一般在使用 Keras 进行图像方面的神经网络的训练的时候都会使用图片生成器 ImageDataGeneraor，它不仅仅使用方便，更支持实时数据增强。在使用 CPU 进行数据增强的同时，使用 GPU 训练模型，大大加快了模型训练的速度。

  Keras 的《官方文档》 和早期网友翻译的《文档》都对它的使用进行了较为详细的解释，可能由于篇幅的限制，这些文档对于一些较为细节的问题没有过多的介绍，在这里我在前人的基础上进行一些补充。注意本文主要参照上面两个文档的内容而成，我自己单独补充的部分进行了黑体加粗。

1. ImageDataGenerator 类

  下面是关于ImageDataGenerator 类的参数说明

keras.preprocessing.image.ImageDataGenerator(featurewise_center=False,  
                                             samplewise_center=False, 
                                             featurewise_std_normalization=False, 
                                             samplewise_std_normalization=False, 
                                             zca_whitening=False, 
                                             zca_epsilon=1e-06, 
                                             rotation_range=0, 
                                             width_shift_range=0.0, 
                                             height_shift_range=0.0, 
                                             brightness_range=None, 
                                             shear_range=0.0, 
                                             zoom_range=0.0, 
                                             channel_shift_range=0.0, 
                                             fill_mode='nearest', 
                                             cval=0.0, 
                                             horizontal_flip=False, 
                                             vertical_flip=False, 
                                             rescale=None, 
                                             preprocessing_function=None, 
                                             data_format=None, 
                                             validation_split=0.0, 
                                             dtype=None)

这个类用以生成一个batch的图像数据，支持实时数据提升。训练时该函数会无限生成数据，直到达到规定的 epoch 次数为止。

1.1 参数

• featurewise_center: 布尔值。将输入数据的均值设置为 0，逐特征进行。这里所谓的逐特征进行，实际上就是逐通道进行，单通道图像减去的均值的是 [[[average]]]，三通道图像减去的均值是 [[[R_average, G_average, B_average]]]
• samplewise_center: 布尔值。将每个样本的均值设置为 0。
• featurewise_std_normalization: 布尔值。将输入除以数据标准差，逐特征进行。
• samplewise_std_normalization: 布尔值。将每个输入除以其标准差。
• zca_epsilon: ZCA 白化的 epsilon 值，默认为 1e-6。
• zca_whitening: 布尔值。是否应用 ZCA 白化。
• rotation_range: 整数。随机旋转的度数范围。
• width_shift_range: 浮点数、一维数组或整数。随机水平移动的幅度范围。
  float: 如果 <1，则是除以总宽度的值，或者如果 >=1，则为像素值。
  1-D 数组: 数组中的随机元素。
  int: 来自间隔 (-width_shift_range, +width_shift_range) 之间的整数个像素。
  width_shift_range=2 时，可能值是整数 [-1, 0, +1]，与 width_shift_range=[-1, 0, +1] 相同；而 width_shift_range=1.0 时，可能值是 [-1.0, +1.0) 之间的浮点数。
• height_shift_range: 浮点数、一维数组或整数。随机水平移动的幅度范围。
  float: 如果 <1，则是除以总宽度的值，或者如果 >=1，则为像素值。
  1-D array-like: 数组中的随机元素。
  int: 来自间隔 (-height_shift_range, +height_shift_range) 之间的整数个像素。
  height_shift_range=2 时，可能值是整数 [-1, 0, +1]，与 height_shift_range=[-1, 0, +1] 相同；而 height_shift_range=1.0 时，可能值是 [-1.0, +1.0) 之间的浮点数。
• shear_range: 浮点数。剪切强度（以弧度逆时针方向剪切角度）。
  补充：什么是剪切变换？
  剪切变换是仿射变换的一种原始变换，指的是类似四边形不稳定性的那种性质，方形变四边形，任意一边均可被拉长的过程。
• zoom_range: 浮点数 或 [lower, upper]。随机缩放范围。如果是浮点数，[lower, upper] = [1-zoom_range, 1+zoom_range]。
• channel_shift_range: 浮点数。随机通道转换的范围，或者可以理解为随机通道偏移的幅度。
• fill_mode: {“constant”, “nearest”, “reflect” or “wrap”} 之一。常用于填充由于旋转平移造成的图像空白，默认为 ‘nearest’。输入边界以外的点根据给定的模式填充：
  ‘constant’: kkkkkkkk|abcd|kkkkkkkk (cval=k)
  ‘nearest’: aaaaaaaa|abcd|dddddddd
  ‘reflect’: abcddcba|abcd|dcbaabcd
  ‘wrap’: abcdabcd|abcd|abcdabcd
• cval: 浮点数或整数。用于边界之外的点的值，当 fill_mode = “constant” 时。
• horizontal_flip: 布尔值。随机水平翻转。
• vertical_flip: 布尔值。随机垂直翻转。
• rescale: 重缩放因子。默认为 None。如果是 None 或 0，不进行缩放，否则将数据乘以所提供的值（在应用任何其他转换之前&#