深度学习之tf.keras.preprocessing.image_dataset_from_directory()函数

​
​

活动地址：CSDN21天学习挑战赛
来自🚩 作者：K同学啊

做深度学习的时候会遇到一些不明白的函数，写一下博客做一下记录方便后续查询。

数据原型

tf.keras.preprocessing.image_dataset_from_directory(
    directory,
    labels="inferred",
    label_mode="int",
    class_names=None,
    color_mode="rgb",
    batch_size=32,
    image_size=(256, 256),
    shuffle=True,
    seed=None,
    validation_split=None,
    subset=None,
    interpolation="bilinear",
    follow_links=False,
)

函数作用

将文件夹中的数据加载到tf.data.Dataset中，且加载的同时会打乱数据。

举例说明：
如果自己的目录结构为如下所示：

main_directory/
…class_a/
…a_image_1.jpg
…a_image_2.jpg
…class_b/
…b_image_1.jpg
…b_image_2.jpg

调用函数image_dataset_from_directory(main_directory, labels=‘inferred’) 将返回一个tf.data.Dataset, 该数据集从子目录class_a和class_b生成批次图像，同时生成标签0和1（0对应class_a，1对应class_b），该函数支持的图像格式：jpeg, png, bmp, gif. 动图被截断到第一帧。

参数介绍

• directory: 数据所在目录。如果标签是inferred（默认），则它应该包含子目录，每个目录包含一个类的图像。否则，将忽略目录结构。

• labels: inferred（标签从目录结构生成），或者是整数标签的列表/元组，其大小与目录中找到的图像文件的数量相同。标签应根据图像文件路径的字母顺序排序（通过Python中的os.walk(directory)获得）。

• label_mode:

  • int：标签将被编码成整数（使用的损失函数应为： sparse_categorical_crossentropy loss）。
  • categorical：标签将被编码为分类向量（使用的损失函数应为：categorical_crossentropy loss）。
  • binary：意味着标签（只能有2个）被编码为值为0或1的float32标量（例如：binary_crossentropy）。
  • None：（无标签）。

• class_names: 仅当labels为inferred时有效。这是类名称的明确列表（必须与子目录的名称匹配）。用于控制类的顺序（否则使用字母数字顺序）。

• color_mode: grayscale、rgb、rgba之一。默认值：rgb。图像将被转换为1、3或者4通道。

• batch_size: 数据批次的大小。默认值：32

• image_size: 从磁盘读取数据后将其重新调整大小。默认：（256，256）。由于管道处理的图像批次必须具有相同的大小，因此该参数必须提供。

• shuffle: 是否打乱数据。默认值：True。如果设置为False,则按字母数字顺序对数据进行排序。

• seed: 用于shuffle和转换的可选随机种子。

• validation_split: 0和1之间的可选浮点数，可保留一部分数据用于验证。

• subset: training或validation之一。仅在设置validation_split时使用。

• validation_split: 0和1之间的可选浮点数，可保留一部分数据用于验证。

• subset: training或validation之一。仅在设置validation_split时使用。

• interpolation: 字符串,当调整图像大小时使用的插值方法。默认为：bilinear。支持bilinear, nearest, bicubic, area, lanczos3, lanczos5, gaussian, mitchellcubic。

• follow_links: 是否访问符号链接指向的子目录。默认：False。

​