[Keras填坑之旅]·图片分类中是否使用img_to_array的影响

[Keras填坑之旅]·图片分类中是否使用img_to_array的影响

1.背景介绍

在使用keras进行图片分类的任务，笔者最开始的方法是使用opencv库cv2.imread读取照片，再使用cv2.resize重设尺寸。在和别人的代码进行训练对比发现代码类似结果却差异很大。别人的val_acc可以高出笔者几个百分点。对比发现别人的代码里多了一步：

feature = img_to_array(feature)

于是笔者做了下述的实验：控制其他代码不变，参数不变分别训练使用img_to_array有不使用的网络。

2.实验结果

读取代码如下，不使用img_to_array时，屏蔽语句

def get_feature(path):
    image = cv2.imread(path)
    feature = cv2.resize(image,(IMAGE_DIMS[0],IMAGE_DIMS[1]))
    feature = img_to_array(feature)
    return(feature/255.0)

1.未使用img_to_array

2.使用img_to_array

由上可以看出，是否使用img_to_array对网络性能影响挺大的，使用了以后val_acc与val_loss更加接近训练acc与loss。

笔者同时使用了Keras官方的图片迭代器与自己手动编写的迭代器，都取得了上述的结论。

对比官方与自己手动编写的迭代器，官方的性能会更好一些。

3.结论与分析

从上述实验可以得出，是否使用img_to_array对网络的影响还是很大的，使用可以使训练网络性能更优，强烈推荐大家在做图片分类任务时使用img_to_array。

为什么会这样呢？

分析原因可能是训练和预测时Keras对图片读取处理方式不同，加入img_to_array会降低差距。更加深入的原因等后面再做实验进行分析。也欢迎大佬能帮忙指出来，不胜感谢。。