在深度學習中，我們經常需要用到一些技巧(比如將圖片進行旋轉，翻轉等)來進行data augmentation, 來減少過擬合。 在本文中，我們將主要介紹如何用深度學習框架keras來自動的進行data augmentation。
keras.preprocessing.image.ImageDataGenerator(featurewise_center=False, samplewise_center=False, featurewise_std_normalization=False, samplewise_std_normalization=False, zca_whitening=False, zca_epsilon=1e-6, rotation_range=0., width_shift_range=0., height_shift_range=0., shear_range=0., zoom_range=0., channel_shift_range=0., fill_mode='nearest', cval=0., horizontal_flip=False, vertical_flip=False, rescale=None, preprocessing_function=None, data_format=K.image_data_format())
- 生成批次的帶實時數據增益的張量圖像數據。數據將按批次無限循環。
- 參數：
- featurewise_center: 布爾值。將輸入數據的均值設置為 0，逐特征進行。
- samplewise_center: 布爾值。將每個樣本的均值設置為 0。
- featurewise_std_normalization: 布爾值。將輸入除以數據標准差，逐特征進行。
- samplewise_std_normalization: 布爾值。將每個輸入除以其標准差。
- zca_epsilon: ZCA 白化的 epsilon 值，默認為 1e-6。
- zca_whitening: 布爾值。應用 ZCA 白化。
- rotation_range: 整數。隨機旋轉的度數范圍。
- width_shift_range: 浮點數（總寬度的比例）。隨機水平移動的范圍。
- height_shift_range: 浮點數（總高度的比例）。隨機垂直移動的范圍。
- shear_range: 浮點數。剪切強度（以弧度逆時針方向剪切角度）。
- zoom_range: 浮點數 或 [lower, upper]。隨機縮放范圍。如果是浮點數，
[lower, upper] = [1-zoom_range, 1+zoom_range]。 - channel_shift_range: 浮點數。隨機通道轉換的范圍。
- fill_mode: {"constant", "nearest", "reflect" or "wrap"} 之一。輸入邊界以外的點根據給定的模式填充：
- "constant":
kkkkkkkk|abcd|kkkkkkkk(cval=k) - "nearest":
aaaaaaaa|abcd|dddddddd - "reflect":
abcddcba|abcd|dcbaabcd - "wrap":
abcdabcd|abcd|abcdabcd
- "constant":
- cval: 浮點數或整數。用於邊界之外的點的值，當
fill_mode = "constant"時。 - horizontal_flip: 布爾值。隨機水平翻轉。
- vertical_flip: 布爾值。隨機垂直翻轉。
- rescale: 重縮放因子。默認為 None。如果是 None 或 0，不進行縮放，否則將數據乘以所提供的值（在應用任何其他轉換之前）。
- preprocessing_function: 應用於每個輸入的函數。這個函數會在任何其他改變之前運行。這個函數需要一個參數：一張圖像（秩為 3 的 Numpy 張量），並且應該輸出一個同尺寸的 Numpy 張量。
- data_format: {"channels_first", "channels_last"} 之一。"channels_last" 模式表示輸入尺寸應該為
(samples, height, width, channels)，"channels_first" 模式表示輸入尺寸應該為(samples, channels, height, width)。默認為 在 Keras 配置文件~/.keras/keras.json中的image_data_format值。如果你從未設置它，那它就是 "channels_last"。
- 方法:
- fit(x): 根據一組樣本數據，計算與數據相關轉換有關的內部數據統計信息。當且僅當 featurewise_center 或 featurewise_std_normalization 或 zca_whitening 時才需要。
- flow(x, y): 傳入 Numpy 數據和標簽數組，生成批次的 增益的/標准化的 數據。在生成的批次數據上無限制地無限次循環。
- flow_from_directory(directory): 以目錄路徑為參數，生成批次的 增益的/標准化的 數據。在生成的批次數據上無限制地無限次循環。
from keras.preprocessing.image import ImageDataGenerator,array_to_img,img_to_array,load_img datagen=ImageDataGenerator( rotation_range=40, width_shift_range=0.2, height_shift_range=0.2, shear_range=0.2, zoom_range=0.2, horizontal_flip=True, fill_mode='nearest' ) img=load_img("test.jpg") x=img_to_array(img) # 把PIL圖像格式轉換成numpy格式 x=x.reshape((1,)+x.shape) i=0 for batch in datagen.flow(x,batch_size=2,save_to_dir="datagen",save_prefix="cat",save_format="jpeg"): i+=1 if i>10: break
其他注意api:
compile
compile(self, optimizer, loss, metrics=None, loss_weights=None, sample_weight_mode=None, weighted_metrics=None, target_tensors=None) 用於配置訓練模型。
fit
fit(self, x=None, y=None, batch_size=None, epochs=1, verbose=1, callbacks=None, validation_split=0.0, validation_data=None, shuffle=True, class_weight=None, sample_weight=None, initial_epoch=0, steps_per_epoch=None, validation_steps=None) 以固定數量的輪次（數據集上的迭代）訓練模型。
fit_generator
fit_generator(self, generator, steps_per_epoch=None, epochs=1, verbose=1, callbacks=None, validation_data=None, validation_steps=None, class_weight=None, max_queue_size=10, workers=1, use_multiprocessing=False, shuffle=True, initial_epoch=0) 使用 Python 生成器逐批生成的數據，按批次訓練模型。
evaluate
evaluate(self, x=None, y=None, batch_size=None, verbose=1, sample_weight=None, steps=None) 在測試模式下返回模型的誤差值和評估標准值。
evaluate_generator
evaluate_generator(self, generator, steps=None, max_queue_size=10, workers=1, use_multiprocessing=False) 在數據生成器上評估模型。
predict
predict(self, x, batch_size=None, verbose=0, steps=None) 為輸入樣本生成輸出預測。
predict_generator
predict_generator(self, generator, steps=None, max_queue_size=10, workers=1, use_multiprocessing=False, verbose=0) 為來自數據生成器的輸入樣本生成預測。