tensorflow使用ImageDataGenerator中的flow生成数据

import cv2
#正则匹配使用：
import re
import os
#此库用于拷贝，删除，移动，复制以及解压缩
import shutil
import numpy as np
import tensorflow as tf
from tensorflow.keras.preprocessing.image import ImageDataGenerator
#用于将普通标签转为独热向量
from tensorflow.keras.utils import to_categorical
import matplotlib.pyplot as plt
#如此读取图像，直接返回numpy.ndarray
#img=cv2.imdecode(np.fromfile("C:/Users/104005162/Desktop/企业微信截图_20220212102256.png",np.uint8),-1)
#print(img.shape)
##转换为bgr图片，注意此时是PNG图片，不能用矩阵直接转换！
##img=img[:,:,::-1]
##bgra
#img=cv2.cvtColor(img,cv2.COLOR_BGRA2RGB)
def readPictureByPath(path):
    img=cv2.imdecode(np.fromfile(path,np.uint8),-1)
    img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
    #return np.expand_dims(img,0)
    return img
#返回样本的分类序号：
def returnNumClass(path):
    if "_" not in path:
        print("文件路径非法")
        return None
    #如果包含路径，提取出数字
    else:
        return re.findall("_(.*?)\.",path)[0]
#该命令读取某文件夹下所有的文件名：
targetPath="C:/Users/104005162/Desktop/实验文件夹"
path="C:/Users/104005162/Desktop/实验数据"
#在路径下新建文件夹：
for i in range(4):
    #如果待创建文件夹不存在，创建文件夹
    if not os.path.exists(os.path.join(targetPath,str(i))):
        os.makedirs(os.path.join(targetPath,str(i)))
    else:
        print("待创建文件夹已存在")
#标签
yLabel=[]
fullNameList=[]
listAllFiles=os.listdir(path)
for fileName in listAllFiles:
    fullNameList.append(os.path.join(path,fileName))
    #判断是否为文件夹
    if os.path.isdir(fullNameList[-1]):
        #排除最后一个元素
        dirName=fullNameList.pop()
        print(dirName+"是一个文件夹")
        #这种表达方式只能用于删除文件
        #os.remove(dirName)
        #此种表达方式可以用来删除文件夹
        shutil.rmtree(dirName)
        #跳过此次
        continue
    #制作对应的标签
    yLabel.append(int(returnNumClass(fileName)))
    #如果文件提取错误，不返回，只提示
    if returnNumClass(fileName)==None:
        print("文件名提取路径失败"+fileName)
        continue
    #将该文件复制进指定的文件夹中：
    else:
        #这种方法必须是文件名到文件名
        shutil.copyfile(os.path.join(path,fileName), os.path.join(os.path.join(targetPath,returnNumClass(fileName)),fileName))
        #这种复制可以是文件名到文件夹名
        #shutil.copy(os.path.join(path,fileName), os.path.join(targetPath,returnNumClass(fileName)))
#将y标签转换为独热向量：
#print(to_categorical(yLabel))
yLabel=to_categorical(yLabel)
#返回一个图像迭代器
#遍历fullnameList,读取其中的图片，转换为4维数组：
#以下这种转换方式，将对原先的三维数组，自动新增一个第一维：
allDataSets=[]
for image in fullNameList:
    allDataSets.append(readPictureByPath(image))
dataForFlow=np.array(allDataSets)
#建立迭代器
dataAll=ImageDataGenerator(validation_split=0.3)
#纯flow方法，特点是需要自定义y标签的类型，比如改成独热向量：
genIteratorForTrain=dataAll.flow(x=dataForFlow,y=yLabel,batch_size=1,subset="training")
#next返回tuple
fig=plt.figure(1,(20,5))
for i in range(4):
    #添加图片：
    a1=fig.add_subplot(1,4,i+1)
    tuple=genIteratorForTrain.next()
    a1.imshow(np.squeeze(tuple[0]).astype(np.int))
    # 取行方向的最大值做标题,argmax返回的也是ndarry
    print(type(np.argmax(tuple[1],1)[0]))
    print(np.argmax(tuple[1], 1)[0])
    # 没有指定中文字体，显示不了中文
    # 独热向量的特点是，其最大值即为标签：
    a1.set_title(u"class"+str(np.argmax(tuple[1],1)[0]))
#画完子图后。plt句柄默认停留在最后一个子图上：
plt.suptitle(u"all")
tuple=genIteratorForTrain.next()
'''
#返回的是四维ndarrary
print(type(tuple[0]))
print(tuple[0].shape)
#返回的默认是一个独热向量
print(tuple[1])
'''
#plt.imshow(np.squeeze(tuple[0]).astype(np.int))
#总图像显示
plt.show()
#print(fullNameList)