Keras数据增强ImageDataGenerator

在实际训练自己的网络模型时,基本都会遇到数据不够的难题.

Keras.preprocessing.imgae.ImageDataGenerator图片生成器,可以批量生成数据,防止模型过拟合并提高泛化能力.

使用方法如下:

#coding:utf-8
from keras.preprocessing.image import ImageDataGenerator,load_img,img_to_array
 
#定义图片生成器
data_gen = ImageDataGenerator(rotation_range=40,
                              width_shift_range=0.2,
                              height_shift_range=0.2,
                              horizontal_flip=True,
                              vertical_flip=True,
                              fill_mode='nearest',
                              data_format='channels_last')
 
img=load_img('/home/zyx/Dataset/flower_photos/daisy/144603918_b9de002f60_m.jpg')
x = img_to_array(img,data_format="channels_last")   #图片转化成array类型,因flow()接收numpy数组为参数
x=x.reshape((1,) + x.shape)     #要求为4维
 
#使用for循环迭代,生成图片
i = 0
for batch in data_gen.flow(x,batch_size=1,
                           save_to_dir='/home/zyx/Dataset/flower_photos/dataGen',
                           save_prefix='flower',
                           save_format='jpeg'):
    print batch.shape
    i += 1
    if i>20:
        break
        
#使用next()迭代,生成图片
next(data_gen.flow(x,batch_size=2,
                   save_to_dir='/home/zyx/Dataset/flower_photos/dataGen',
                   save_prefix='next_gen',
                   save_format='jpeg'))
data_gen.flow()返回是数据类型是NumpyArrayIterator类型,需要使用for或next,才可得到其中数据.

我们已经知道，可以直接作用于for循环的数据类型有以下几种：

一类是集合数据类型，如list、tuple、dict、set、str等；

一类是generator，包括生成器和带yield的generator function。

而生成器不但可以作用于for循环，还可以被next()函数不断调用并返回下一个值，直到最后抛出StopIteration错误表示无法继续返回下一个值了。

可以被next()函数调用并不断返回下一个值的对象称为迭代器：Iterator。

可以使用isinstance()判断一个对象是否是Iterator对象：

但是,这样生成的数据,相似度很高,在原始样本少的情况下,模型依旧很容易过拟合.