21年9月13日——代码阅读笔记
首先看模型部分:
root_dir_train = 'dataset\\train\\'
root_dir_test = 'dataset\\test\\'
训练集与测试集的根目录
def get_im_cv2(paths, img_rows, img_cols, color_type=3, normalize=True):
'''
参数:
paths:要读取的图片路径列表
img_rows:图片行
img_cols:图片列
color_type:图片颜色通道
返回:
imgs: 图片数组
'''
返回的是图像的数组
def getimagedataandlabels(root_dir):
....
X_data.append(imagepath)
Y_data.append(current_image_class)
return X_data, Y_data
返回的是图像的路径,并且该路径下图像的标签(label)
np.random.seed(200)
np.random.shuffle(X_train)
np.random.seed(200)
np.random.shuffle(y_train)
设定随机数种子利用shuffle函数打乱数据集
def get_train_batch1(X_train, y_train, batch_size, img_w, img_h, color_type):
"""
参数:
X_train:所有图片路径列表
y_train: 所有图片对应的标签列表
batch_size:批次
img_w:图片宽
img_h:图片高
color_type:图片类型
is_argumentation:是否需要数据增强
返回:
一个generator,x: 获取的批次图片 y: 获取的图片对应的标签
"""
yield ({
'input_1': x