Tensorflow 中的tf.keras.preprocessing.image.ImageDataGenerator()和.flow()介绍

 1 tf.keras.preprocessing.image.ImageDataGenerator()

  生成批量张量图像数据与实时数据增强

白化是一种重要的预处理过程，其目的就是降低输入数据的冗余性，使得经过白化处理的输入数据具有如下性质：(i)特征之间相关性较低；(ii)所有特征具有相同的方差。
tf.keras.preprocessing.image.ImageDataGenerator(
    featurewise_center=False,输入数据集的均值设置为0
    samplewise_center=False,每个样本的均值设置为0
    featurewise_std_normalization=False,根据数据集的标准差std对输入进行区分。
    samplewise_std_normalization=False,将每个输入除以它的std。
    zca_whitening=False,应用ZCA白化
    zca_epsilon=1e-06,白化参数
    rotation_range=0,随机旋转角度
    width_shift_range=0.0,宽度方向平移
    height_shift_range=0.0,高度方向平移
    brightness_range=None,元组或两个浮动的列表。用于从中选择亮度值的范围。
    shear_range=0.0,剪切强度(逆时针方向剪切角，单位为度)，即为错切变换
    zoom_range=0.0,随机缩放范围
    channel_shift_range=0.0, 随机给某个通道的所有像素加上设置值
    fill_mode='nearest', 填充方式
    cval=0.0,当fill_mode='constant'时输入边界之外的点的填充值，默认0
    horizontal_flip=False,随机水平翻转输入
    vertical_flip=False,随机垂直翻转输入
    rescale=None,图像像素归一化因子，一般为1/255，在完成所有转换后给数据×1/255
    preprocessing_function=None,用户自定义函数进行图像增强，输入参数为图像，输出为numpy张量
    data_format=None,数据格式默认channels_last,即(n,h,w,c)
    validation_split=0.0,验证集的分割比例
    dtype=None 生成数组的类型
)

 

2 .flow()

  获取数据和标签数组，生成批量增强数据。

flow(
    x, 输入数据
    y=None, 对应标签
    batch_size=32,
    shuffle=True,默认打乱数据
    sample_weight=None,
    seed=None,随机数种子
    save_to_dir=None,保存增强数据的地址
    save_prefix='',用于保存的图片的文件名的前缀(
    save_format='png',保存格式
    ignore_class_split=False,忽略类数量的差异
    subset=None如果在ImageDataGenerator中设置了validation_split，则是数据的子集("training"或"validation")

) 

 3 示例

 这里只展示如何应用ImageDataGenerator()和flow()

train_data=ImageDataGenerator(
    rescale=1/255,
    rotation_range=40,#旋转40度
    width_shift_range=0.2, #宽度方向平移20%
    height_shift_range=0.2,
    shear_range=0.1,
    zoom_range=0.2,
    horizontal_flip=True, #水平翻转
    fill_mode='nearest' #填充方式最近邻
                             )
test_data=ImageDataGenerator(rescale=1/255)

model.compile(loss=tf.keras.losses.sparse_categorical_crossentropy,optimizer=

tf.optimizers.RMSprop(learning_rate=0.001),metrics=['acc'])
#模型开始训练
start_time=datetime.datetime.now()
history=model.fit(train_data.flow(training_images,training_labels,batch_size=32),
                 steps_per_epoch=len(training_images)/32,#全部训练数据用一次所需要的epoch
                 epochs=15,#一共训练15轮
                 validation_data=test_data.flow(testing_images,testing_labels,batch_size=32),
                 validation_steps=len(testing_images)/32 #全部测试数据用一次所需要的epoch
                 )