关于Keras中ImageDataGenerator类的两个问题
关于Keras中ImageDataGenerator类的两个问题
提问于 2018-04-15 16:47:09
关于“用Python进行深度学习”的以下代码，我有两个问题：
from keras.preprocessing.image import ImageDataGenerator
train_datagen = ImageDataGenerator(rescale=1./255)
test_datagen = ImageDataGenerator(rescale=1./255)
train_generator = train_datagen.flow_from_directory(
train_dir, target_size=(150, 150) batch_size=20, class_mode='binary')
validation_generator = test_datagen.flow_from_directory(
validation_dir, target_size=(150, 150),batch_size=20, class_mode='binary')1)为什么要为测试数据定义一个新的生成器？为什么不直接使用train_datagen对象两次，一次用于train_dir，一次用于validation_dir？
2)为什么ImageDataGenerator构造函数和flow_from_directory函数的定义是通过构造函数传递rescale参数，而其他一些参数(如target_size )则通过flow_from_drictory函数传递？为什么不直接通过构造函数或flow_from_directory函数传递它们呢？
回答 1
Stack Overflow用户
回答已采纳
发布于 2018-04-17 11:32:57
- 使用独立的生成器进行培训和验证的原因是，在这两种情况下，您对数据的处理方式不同。例如，在处理成批图像时，在培训期间，您需要在每个时期对您的图像进行洗牌，这样您的模型就不太适合培训数据。而在测试或验证过程中并不需要它。此外，您可以在训练时执行特殊的数据增强技术(如缩放、移位、旋转)，以提高您的训练数据并使模型健壮。您不需要在验证经过培训的模型时执行任何此类操作。因此，为了在生成批处理时适应这些差异，建议为您的培训和验证提供独立的生成器。
- ImageDataGenerator是Keras中的一类
Image preprocessing。它用于生成具有实时数据增强功能的成批数据.rescale是它的一个参数，而您提到的其他参数(例如，batch_size、target_size)并不是它的参数列表的一部分。这些都是在flow_from_directory，下列出的，这是Image preprocessing的一个函数。这个函数使用ImageDataGenerator作为基类.您可以在Keras文档中找到有关各种函数及其相应的参数列表的更多细节，以便进行图像预处理。
希望这能有所帮助！
编辑
这种论点选择背后的理由是什么？
如果您查看源代码，您将注意到，诸如重新缩放、规范化、旋转等操作都是特定于图像的操作。因此，它们被称为基类(ImageDataGenerator)本身的参数。默认情况下，在它下定义的所有函数都继承这些函数。然而，参数，如文件夹路径，批大小，颜色模式，洗牌等是数据加载特定的参数。因此，它们需要由数据加载器(从文件夹读取图像)函数(即flow_from_directory和flow )来处理。加载图像后，它们将进行基类中指定为参数的操作。因此，可以选择这样一个论证清单。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/49844416
复制相关文章
相似问题
腾讯云开发者
