Keras中 ImageDataGenerator函数的参数用法

下面是关于“Keras中 ImageDataGenerator函数的参数用法”的完整攻略。

ImageDataGenerator函数

ImageDataGenerator是Keras中用于图像数据增强的函数。它可以生成经过随机变换的图像，从而扩充训练数据集，提高模型的泛化能力。以下是ImageDataGenerator函数的基本用法：

from keras.preprocessing.image import ImageDataGenerator

datagen = ImageDataGenerator(
    rescale=1./255,
    rotation_range=20,
    width_shift_range=0.2,
    height_shift_range=0.2,
    shear_range=0.2,
    zoom_range=0.2,
    horizontal_flip=True,
    fill_mode='nearest'
)

在上面的示例中，我们创建了一个名为datagen的ImageDataGenerator对象，并设置了一些参数。下面我们将逐一介绍这些参数的用法。

参数用法

rescale

rescale参数用于对图像进行缩放。将图像的像素值除以255，可以将像素值缩放到0到1之间。以下是rescale参数的示例：

datagen = ImageDataGenerator(rescale=1./255)

rotation_range

rotation_range参数用于对图像进行随机旋转。可以设置旋转角度的范围。以下是rotation_range参数的示例：

datagen = ImageDataGenerator(rotation_range=20)

width_shift_range和height_shift_range

width_shift_range和height_shift_range参数用于对图像进行随机平移。可以设置平移的范围。以下是width_shift_range和height_shift_range参数的示例：

datagen = ImageDataGenerator(width_shift_range=0.2, height_shift_range=0.2)

shear_range

shear_range参数用于对图像进行随机剪切。可以设置剪切的范围。以下是shear_range参数的示例：

datagen = ImageDataGenerator(shear_range=0.2)

zoom_range

zoom_range参数用于对图像进行随机缩放。可以设置缩放的范围。以下是zoom_range参数的示例：

datagen = ImageDataGenerator(zoom_range=0.2)

horizontal_flip

horizontal_flip参数用于对图像进行随机水平翻转。可以设置是否进行水平翻转。以下是horizontal_flip参数的示例：

datagen = ImageDataGenerator(horizontal_flip=True)

fill_mode

fill_mode参数用于对图像进行填充。可以设置填充的方式。以下是fill_mode参数的示例：

datagen = ImageDataGenerator(fill_mode='nearest')

示例1：使用ImageDataGenerator进行图像分类

以下是使用ImageDataGenerator进行图像分类的示例：

from keras.preprocessing.image import ImageDataGenerator

train_datagen = ImageDataGenerator(
    rescale=1./255,
    shear_range=0.2,
    zoom_range=0.2,
    horizontal_flip=True
)

test_datagen = ImageDataGenerator(rescale=1./255)

train_generator = train_datagen.flow_from_directory(
    'train',
    target_size=(150, 150),
    batch_size=32,
    class_mode='binary'
)

validation_generator = test_datagen.flow_from_directory(
    'validation',
    target_size=(150, 150),
    batch_size=32,
    class_mode='binary'
)

在上面的示例中，我们使用ImageDataGenerator对训练数据集进行数据增强，并使用flow_from_directory函数生成训练数据集和验证数据集的迭代器。

示例2：使用ImageDataGenerator进行图像分割

以下是使用ImageDataGenerator进行图像分割的示例：

from keras.preprocessing.image import ImageDataGenerator

datagen = ImageDataGenerator(
    rescale=1./255,
    shear_range=0.2,
    zoom_range=0.2,
    horizontal_flip=True
)

train_generator = datagen.flow_from_directory(
    'train',
    target_size=(256, 256),
    batch_size=32,
    class_mode=None,
    seed=1,
    color_mode='rgb'
)

validation_generator = datagen.flow_from_directory(
    'validation',
    target_size=(256, 256),
    batch_size=32,
    class_mode=None,
    seed=1,
    color_mode='rgb'
)

在上面的示例中，我们使用ImageDataGenerator对训练数据集进行数据增强，并使用flow_from_directory函数生成训练数据集和验证数据集的迭代器。这里的class_mode设置为None，表示不需要标签，因为这里是进行图像分割。