如何从ImageDataGenerator获取历史记录[‘val_accuracy’]

ImageDataGenerator 是 Keras 中的一个类，用于在训练过程中对图像数据进行实时增强。然而，ImageDataGenerator 本身并不直接存储模型的历史记录，如 val_accuracy。模型的历史记录通常由 model.fit() 方法返回，并存储在一个 History 对象中。

以下是如何使用 ImageDataGenerator 并获取模型训练历史记录（包括 val_accuracy）的步骤：

基础概念

ImageDataGenerator: 一个用于实时数据增强的类，可以在训练过程中对图像进行旋转、缩放、裁剪等操作。
History 对象: 记录了模型训练过程中的各种指标，如 loss, accuracy, val_loss, val_accuracy 等。

应用场景

图像分类任务: 在训练深度学习模型时，使用数据增强可以有效防止过拟合。
迁移学习: 在微调预训练模型时，数据增强可以帮助模型更好地适应新的数据集。

示例代码

以下是一个完整的示例，展示了如何使用 ImageDataGenerator 并获取模型的历史记录：

import tensorflow as tf
from tensorflow.keras.preprocessing.image import ImageDataGenerator
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Conv2D, Flatten, MaxPooling2D

# 准备数据
train_dir = 'path_to_train_directory'
val_dir = 'path_to_validation_directory'

# 创建 ImageDataGenerator 实例
train_datagen = ImageDataGenerator(
    rescale=1./255,
    rotation_range=20,
    width_shift_range=0.2,
    height_shift_range=0.2,
    horizontal_flip=True
)

val_datagen = ImageDataGenerator(rescale=1./255)

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

val_generator = val_datagen.flow_from_directory(
    val_dir,
    target_size=(150, 150),
    batch_size=32,
    class_mode='binary'
)

# 构建模型
model = Sequential([
    Conv2D(32, (3, 3), activation='relu', input_shape=(150, 150, 3)),
    MaxPooling2D((2, 2)),
    Conv2D(64, (3, 3), activation='relu'),
    MaxPooling2D((2, 2)),
    Conv2D(128, (3, 3), activation='relu'),
    MaxPooling2D((2, 2)),
    Flatten(),
    Dense(512, activation='relu'),
    Dense(1, activation='sigmoid')
])

# 编译模型
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

# 训练模型并获取历史记录
history = model.fit(
    train_generator,
    steps_per_epoch=len(train_generator),
    epochs=10,
    validation_data=val_generator,
    validation_steps=len(val_generator)
)

# 获取 val_accuracy
val_accuracy = history.history['val_accuracy']
print(f'Validation Accuracy: {val_accuracy}')