数据 增强

目录

1. 数据增强的实现方法

2. 数据增强在tf中的实现

2.1 通过ImageDataGenerator 对数据进行增强

---

1. 数据增强的实现方法

（1）归一化
   把数据归一化到一定的区间内，使得网络更容易学习。

（2）图像变换
  翻转，拉伸，裁剪，变形（丰富数据）

（3）色彩变换
  对比度，亮度

（4）多尺度裁剪

2. 数据增强在tf中的实现

通过keras.preprocessing.image.ImageDataGenerator接口来实现数据增强

rescale = 1./255, # 将所有的像素点缩放到0——1，因为所有的像素点的值在0——255之间。

rotation_range = 40, # 图像增强的一种方式，比如 ratation_range = 40, 表示将图像随机旋转的角度为-40——40度之间。

width_shift_range = 0.2, # 水平方向上的位移，小于1，表示的就是位移的比例；大于1，就是移动的像素值。width_shift_range = 0.2，表示图像随机平移0——20%

height_shift_range = 0.2, # 竖直方向上的位移

shear_range = 0.2, # 剪切强度

zoom_range = 0.2, # 缩放强度

horizontal_flip = True, # 是否在水平方向上做随机反转

fill_mode = 'nearest') # 对图片做处理时，需要填充像素时使用。比如，对图像做放大操作，有些像素点需要填充。

2.1 通过ImageDataGenerator 对数据进行增强

# 训练数据
train_datagen= keras.preprocessing.image.ImageDataGenerator(
    rescale = 1./255, # 将所有的像素点缩放到0——1，因为所有的像素点的值在0——255之间。
    rotation_range = 40, # 图像增强的一种方式，比如 ratation_range = 40, 表示将图像随机旋转的角度为-40——40度之间。
    width_shift_range = 0.2, # 水平方向上的位移，小于1，表示的就是位移的比例；大于1，就是移动的像素值。width_shift_range = 0.2，表示图像随机平移0——20%
    height_shift_range = 0.2, # 竖直方向上的位移
    shear_range = 0.2, # 剪切强度
    zoom_range = 0.2, # 缩放强度
    horizontal_flip = True, # 是否在水平方向上做随机反转
    fill_mode = 'nearest') # 对图片做处理时，需要填充像素时使用。比如，对图像做放大操作，有些像素点需要填充。


train_generator = train_datagen.flow_from_directory(
    train_dir, 
    target_size = (height, width),
    batch_size = batch_size,
    seed = 7, 
    shuffle = True,
    class_mode = "categorical")

# 验证数据
valid_datagen= keras.preprocessing.image.ImageDataGenerator(
    rescale = 1./255 # 将所有的像素点缩放到0——1，因为所有的像素点的值在0——255之间。
    )


valid_generator = train_datagen.flow_from_directory(
    valid_dir, 
    target_size = (height, width),
    batch_size = batch_size,
    seed = 7, 
    shuffle = False,
    class_mode = "categorical")

更多代码详见：本代码使用的是卷积神经网络作基础。