把 Keras ImageDataGenerator 运用到 softmax classification

大家好，我是一个喜欢研究算法、机械学习和生物计算的小青年，我的CSDN博客是：一骑代码走天涯
如果您喜欢我的笔记，那么请点一下关注、点赞和收藏。如果內容有錯或者有改进的空间，也可以在评论让我知道。😄

---

之前我在做一个项目，遇到一个问题卡了很久 ：

手上有一个 file directory (假设叫 training_path/)，里面装了一些当作训练集的JPEG照片，它们分別属于不同的标签 (Labels)，然后想用类似 One-hot encoding 的方法导入到 Keras 的模型 (softmax activation function) 做训练，但是应该怎么做好了？

---

我的做法：

# Pandas 资料表格
import pandas as pd
df_train = pd.read_csv("../train.csv")
df_dev = pd.read_csv("../dev.csv")
df_train .head()

img_id	Label
a.jpg	0
b.jpg	2
c.jpg	1
d.jpg	3
e.jpg	4

如果要用 keras.preprocessing.image.ImageDataGenerator 作图片处理和图片分类，表格栏 “Label” 必须为 str.

# 数据类型转换
df["Label_str"] = df["Label"].astype("str")

然后直接弄 ImageDataGenerator:

batch_size = 32
train_datagen = ImageDataGenerator(rescale=1./255)
dev_datagen = ImageDataGenerator(rescale=1./255)

# training image data generator
train_generator = train_datagen.flow_from_dataframe(dataframe = df_train,  
                                                    directory = training_path,
                                                    x_col = "img_id",
                                                    y_col = "Label_str",                                            
                                                    target_size = (256, 256),
                                                    batch_size = batch_size,
                                                    class_mode = "categorical")
# similar generator for dev data
validation_generator = dev_datagen.flow_from_dataframe(dataframe = df_dev,
                                                       directory = dev_path,
                                                       x_col = "img_id",
                                                       y_col = "Label_str",
						                               target_size = (256, 256),
                                                       batch_size = batch_size,
                                                       class_mode = "categorical")

建立模型：

Model = Sequential([Input((256, 256)), 
                    Conv2D(32, (3, 3), strides = (1, 1), name = 'conv'),
                    Activation('relu'),
                    MaxPooling2D((3, 3), name='max_pool'),
                    Flatten(),
                    Dense(5, activation='softmax', name='fc')])
                    
Model.compile(loss='CategoricalCrossentropy', 
               optimizer="adam", 
               metrics = ["CategoricalAccuracy"])

训练模型：

EPOCHS = 10
STEPS_EPOCH_TRAIN = len(df_train) // batch_size
STEPS_EPOCH_DEV = len(df_dev) // batch_size
histroy = Model.fit(train_generator, 
                    steps_per_epoch = STEPS_EPOCH_TRAIN,
                    epochs = EPOCHS,
                    validation_data = validation_generator,
                    validation_steps = STEPS_EPOCH_DEV)