keras入门 --- Data augmentation(数据扩充)
来源:互联网 发布:阿里云企业版邮箱 编辑:程序博客网 时间:2024/06/04 23:37
在深度学习中,我们经常需要用到一些技巧(比如将图片进行旋转,翻转等)来进行data augmentation, 来减少过拟合。 在本文中,我们将主要介绍如何用深度学习框架keras来自动的进行data augmentation。
现在让我们来看一个例子:
@requires_authorizationfrom keras.preprocessing.image import ImageDataGeneratordatagen = ImageDataGenerator( rotation_range=40, width_shift_range=0.2, height_shift_range=0.2, rescale=1./255, shear_range=0.2, zoom_range=0.2, horizontal_flip=True, fill_mode='nearest', cval=0, channel_shift_range=0, horizontal_flip=False, vertical_flip=False, rescale=None)
参数
- rotation_range:整数,数据提升时图片随机转动的角度
- width_shift_range:浮点数,图片宽度的某个比例,数据提升时图片水平偏移的幅度`
- height_shift_range:浮点数,图片高度的某个比例,数据提升时图片竖直偏移的幅度
- rescale: 重放缩因子,默认为None. 如果为None或0则不进行放缩,否则会将该数值乘到数据上(在应用其他变换之前)
- shear_range:浮点数,剪切强度(逆时针方向的剪切变换角度)
- zoom_range:浮点数或形如[lower,upper]的列表,随机缩放的幅度,若为浮点数,则相当于[lower,upper] = [1 - zoom_range, 1+zoom_range]
- fill_mode:‘constant’‘nearest’,‘reflect’或‘wrap’之一,当进行变换时超出边界的点将根据本参数给定的方法进行处理
- cval:浮点数或整数,当fill_mode=constant时,指定要向超出边界的点填充的值
- channel_shift_range: Float. Range for random channel shifts.
- horizontal_flip:布尔值,进行随机水平翻转
- vertical_flip:布尔值,进行随机竖直翻转
- rescale: 重放缩因子,默认为None. 如果为None或0则不进行放缩,否则会将该数值乘到数据上(在应用其他变换之前
下面我们使用这个工具来生成图片,并将它们保存在一个临时文件夹中
from keras.preprocessing.image import ImageDataGenerator, array_to_img, img_to_array, load_imgdatagen = 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('data/cat.jpg') # 这是一个PIL图像x = img_to_array(img) # 把PIL图像转换成一个numpy数组,形状为(3, 150, 150)x = x.reshape((1,) + x.shape) # 这是一个numpy数组,形状为 (1, 3, 150, 150)# 下面是生产图片的代码# 生产的所有图片保存在 `preview/` 目录下i = 0for batch in datagen.flow(x, batch_size=1, save_to_dir='preview', save_prefix='cat', save_format='jpeg'): i += 1 if i > 50: break # 否则生成器会退出循环
flow函数定义
flow(self, X, y, batch_size=32, shuffle=True, seed=None, save_to_dir=None, save_prefix=”, save_format=’jpeg’):接收numpy数组和标签为参数,生成经过数据提升或标准化后的batch数据,并在一个无限循环中不断的返回batch数据.
参数
- X:样本数据,秩应为4.在黑白图像的情况下channel轴的值为1,在彩色图像情况下值为3
- y:标签
- batch_size:整数,默认32
- shuffle:布尔值,是否随机打乱数据,默认为True
- save_to_dir:None或字符串,该参数能让你将提升后的图片保存起来,用以可视化
- save_prefix:字符串,保存提升后图片时使用的前缀, 仅当设置了save_to_dir时生效
- save_format:”png”或”jpeg”之一,指定保存图片的数据格式,默认”jpeg”
- yields:形如(x,y)的tuple,x是代表图像数据的numpy数组.y是代表标签的numpy数组.该迭代器无限循环.
- seed: 整数,随机数种子
下图是原始图片:
下图是生产的50张图片:
源代码 [ code]
更多关于keras 图片生成器的部分详见 [ ImageDataGenerator ]
0 0
- keras入门 --- Data augmentation(数据扩充)
- 图片数据集太少?Keras Image Data Augmentation 各参数详解
- DATA Augmentation 数据增强
- 数据增强 data augmentation
- 图片数据集太少?看我七十二变,Keras Image Data Augmentation 各参数详解
- 数据增强(data Augmentation)
- keras小数据集扩充
- 深度学习中的Data Augmentation方法(转)基于keras
- Keras-5 基于 ImageDataGenerator 的 Data Augmentation实现
- Data Augmentation
- data augmentation
- Data Augmentation.
- CNN Data Augmentation(数据增强)-旋转
- data augmentation 数据增强方法总结
- data augmentation 数据增强方法总结
- 【转】data augmentation 数据增强方法总结
- 图片的数据增强(Data Augmentation)方法
- shell 脚本构建VOC数据集,以及data Augmentation
- Android 数据库升级保存原始数据
- Fastjson简单使用方法
- 浅谈slf4j,logger中的{}功能
- Java线程池ThreadPoolExecutor应用和相关源码总结
- 清华大学“姚班”十年:一场精英教育秀---转自中国教育报
- keras入门 --- Data augmentation(数据扩充)
- N天一个linux命令 [1]行号显示取消
- java文件流简单学习
- Android 进程保活招式大全
- Android系统Choreographer机制实现过程
- about c++ stand library
- Laravel 在 Nginx 中的参考配置两份
- EventBus
- 字符编码初探