tf.keras.utils.image_dataset_directory()预处理数据，进行模型训练以石头、剪刀、布（rock-scissors-paper）手势数据为例

1 语法介绍：

tf.keras.utils.image_dataset_from_directory()

从目录中读取数据并进行预处理

tf.keras.utils.image_dataset_from_directory(
    directory, #数据存放目录
    labels='inferred', #标签由目录结构推断
    label_mode='int', #标签编码方式：int、categorical、binary;分别为标签编码为整数、类别向量、二分类编码为0或1
    class_names=None, #用于labels='inferred'时,类名的显式列表(必须匹配子目录的名称)。用于控制类的顺序(否则使用字母数字顺序)。
    color_mode='rgb', #“grayscale”、“rgb，默认值:“rgb”，将图像转为 1、3、4通道
    batch_size=32, #一次处理图像的数量
    image_size=(256, 256), #指定读取图像后，调整图像大小
    shuffle=True, #是否打乱原数据的顺序
    seed=None, #随机种子
    validation_split=None, #验证集分割比例
    subset=None, #要返回的数据的子集为training或者validation或者both(训练集和验证集组成的元组)
    interpolation='bilinear',#调整图像大小时用的插值方法，默认bilinear，
    follow_links=False, #是否访问符号链接指向的子目录
    crop_to_aspect_ratio=False, #调整图像大小时是否保留纵横比
    **kwargs
) 

tf.data.Dataset.take()

从该数据集中创建最多包含count个元素的数据集。 

tf.data.Dataset.take(

count, #子集最多包含的数量

 name=None, #源数据名称

)

2 tf.keras.utils.image_dataset_from_directory()数据预处理 

import tensorflow as tf
import os
import matplotlib.pyplot as plt

train_dir="E:/machine learning data/rps_data/rps_train/" #训练集
test_dir="E:/machine learning data/rps_data/rps_test/"

train_data=tf.keras.utils.image_dataset_from_directory(
    train_dir,
    labels='inferred',
    label_mode='int',#标签编码
    validation_split=0.2,#验证集比例为20%
    subset='training',#处理后得到的数据为训练集
    seed=123,
    #class_names=
    shuffle=True,
    color_mode='rgb',
    batch_size=32,
    image_size=(64,64)
)
validation_data=tf.keras.utils.image_dataset_from_directory(
    train_dir,
    labels='inferred',
    label_mode='int',#标签编码
    validation_split=0.2,
    subset='validation',#处理后得到的数据为验证集
    seed=123,
    #class_names=
    shuffle=True,
    color_mode='rgb',
    batch_size=32,
    image_size=(64,64)
)

test_data=tf.keras.utils.image_dataset_from_directory(
    test_dir,
    labels='inferred',#自己推断标签，根据目录结构
    label_mode='int',
    shuffle=True,
    color_mode='rgb',
    batch_size=32,
    image_size=(64,64)
)

 结果：

 3 tf.data.Dataset.take()显示训练数据前几张图像

#查看训练集的前9张图片
class_names=train_data.class_names
print(class_names)

plt.figure(figsize=(10,10))
for image,label in train_data.take(1): #BatchDataset类型数据返回最多一个批次为包含图像数组和标签的元组，图像数组shape=(32,64,64,3),标签（32，1）
    #print(image,label)
    for i in range(9):
        ax=plt.subplot(3,3,i+1)
        plt.imshow(image[i].numpy().astype("uint8"))#转换为numpy形式的数组
        plt.axis('off')
        plt.title(class_names[label[i]])

结果：

4 模型构建和训练

#构建模型
model=tf.keras.Sequential([
    tf.keras.layers.Rescaling(1/255),
    tf.keras.layers.Conv2D(64,(3,3),padding='same',activation='relu',input_shape=(64,64,3)),
    tf.keras.layers.MaxPooling2D(2,2),
    tf.keras.layers.Conv2D(128,(3,3),padding='same',activation='relu'),
    tf.keras.layers.MaxPooling2D(2,2),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(128,activation='relu'),
    tf.keras.layers.Dense(64,activation='relu'),
    tf.keras.layers.Dense(3,activation='softmax')
])
model.compile(loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              optimizer=tf.keras.optimizers.Adam(learning_rate=0.001),
              metrics=['acc'])
model.build(input_shape=(2016,64,64,3))
model.summary()

#模型开始训练
import datetime
start_time=datetime.datetime.now()
epochs=10
history=model.fit(train_data,validation_data=validation_data,epochs=epochs,verbose=1)
#模型结束训练
end_time=datetime.datetime.now()
cost_time=end_time-start_time
print('模型训练时长：',cost_time)

 5 查看训练精度和损失以及验证集精度和损失

#查看精度和损失
acc=history.history['acc']
val_acc=history.history['val_acc']
loss=history.history['loss']
val_loss=history.history['val_loss']
x=range(len(acc))

fig,ax=plt.subplots(1,2,figsize=(12,5))
ax1=ax[0]
ax2=ax[1]

ax1.plot(x,acc,'b',label='acc')
ax1.plot(x,val_acc,'r',label='val_acc')
ax1.set_xlabel('epoch')
ax1.set_ylabel('acc/val_acc')
ax1.set_title('acc and val_acc')
ax1.legend()

ax2.plot(x,loss,'r',label='loss')
ax2.plot(x,val_loss,'y',linestyle='--',label='val_loss')
ax2.set_xlabel('loss')
ax2.set_ylabel('val_loss')
ax2.set_title('loss and val_loss')
ax2.legend()
plt.show()

结果：