深度学习之数据增强

深度学习之数据增强深度学习中最依赖的就是数据量了,同样一只猫轻松一变数据量就翻倍了,我们需要对数据进行数据增强,以消除训练集过拟合的问题。一、导包importmatplotlib.pyplotaspltfromPILimportImage%matplotlibinlinefromkeras.preprocessingimportimage#操作图像的工具包,代替了opencvimportkeras.backendasK#操作图像的工具包,代替了opencvimportos#操作

目录

一、导包

二、查看原始数据

三、图像增强相关操作

 1.指定target_size后所有图像都变为相同大小

2.角度旋转

3.平移变换

4.缩放

5.channel_shift

6.翻转 

四、猫狗训练实战


 

深度学习中最依赖的就是数据量了,同样一只猫轻松一变数据量就翻倍了,我们需要对数据进行数据增强,以消除训练集过拟合的问题。

一、导包

import matplotlib.pyplot as plt
from PIL import Image
%matplotlib inline
from keras.preprocessing import image#操作图像的工具包,代替了opencv
import keras.backend as K#操作图像的工具包,代替了opencv
import os#操作路径的工具包
import glob#操作路径的工具包
import numpy as np

二、查看原始数据

先设置一会图像展示的形式与数量,定义print_result函数,便于一会调用进行展示图片

def print_result(path):
    name_list = glob.glob(path)
    fig = plt.figure(figsize=(12,16))
    for i in range(6):
        img = Image.open(name_list[i])
        sub_img = fig.add_subplot(341+i)
        sub_img.imshow(img)

 深度学习之数据增强

range(number)表示展示number个图像,当文件夹中的图片数少于number时,会报错,但不影响展示。

 深度学习之数据增强

341表示展示时分成3行4列进行展示,1表示给每行的图片进行标号。

设置路径以便于一会读取想要路径下的文件夹。 

img_path = './img/superman/*'
in_path = './img/'
out_path = './output/'
name_list = glob.glob(img_path)
name_list

深度学习之数据增强

三、图像增强相关操作

 1.指定target_size后所有图像都变为相同大小

datagen = image.ImageDataGenerator()
gen_data = datagen.flow_from_directory(in_path, batch_size=1, shuffle=False, 
                                       save_to_dir=out_path+'resize',
                                  save_prefix='gen', target_size=(300, 300))
                                    #(300,300)表示缩成300*300的图像

对几张图像做操作,range()就写几,只有执行了下面这句才会生成图像 

for i in range(3):
    gen_data.next()

 展示操作后的图像

print_result(out_path+'resize/*')

2.角度旋转

datagen = image.ImageDataGenerator(rotation_range=45)
gen = image.ImageDataGenerator()
data = gen.flow_from_directory(in_path, batch_size=1, class_mode=None, shuffle=True, target_size=(224, 224))
#会对in_path下的所有文件夹都进行数据增强的相关任务,这里只对超人文件夹进行了操作
np_data = np.concatenate([data.next() for i in range(data.n)])
datagen.fit(np_data)
gen_data = datagen.flow_from_directory(in_path, batch_size=1, shuffle=False, save_to_dir=out_path+'rotation_range',save_prefix='gen', target_size=(224, 224))
for i in range(3):
    gen_data.next()

3.平移变换

datagen = image.ImageDataGenerator(width_shift_range=0.3,height_shift_range=0.3)
datagen = image.ImageDataGenerator(width_shift_range=-0.3,height_shift_range=0.3)

4.缩放

datagen = image.ImageDataGenerator(zoom_range=0.5)

缩放导致的图片位置空缺,会用到填充,默认的填充方法好像为constant

### 填充方法
– ‘constant’: kkkkkkkk|abcd|kkkkkkkk (cval=k)
– ‘nearest’: aaaaaaaa|abcd|dddddddd
– ‘reflect’: abcddcba|abcd|dcbaabcd
– ‘wrap’: abcdabcd|abcd|abcdabcd 

zoom_range=[4,4]使图片位于中央的1/4. 

深度学习之数据增强

深度学习之数据增强

5.channel_shift

深度学习之数据增强

肉眼无法分辨有什么变化,但对计算机来说确实发生了变化 

datagen = image.ImageDataGenerator(channel_shift_range=15)

6.翻转 

深度学习之数据增强

 对图像的各个像素点重新编排,使所有像素点处于0到1之间

datagen = image.ImageDataGenerator(horizontal_flip=True)

深度学习之数据增强

四、猫狗训练实战

train_datagen = ImageDataGenerator(
      rescale=1./255,
      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')

test_datagen = ImageDataGenerator(rescale=1./255)

train_generator = train_datagen.flow_from_directory(
        train_dir,  
        target_size=(64, 64),  
        batch_size=20,
        class_mode='binary')

validation_generator = test_datagen.flow_from_directory(
        validation_dir,
        target_size=(64, 64),
        batch_size=20,
        class_mode='binary')

history = model.fit_generator(
      train_generator,
      steps_per_epoch=100,  # 2000 images = batch_size * steps
      epochs=100,
      validation_data=validation_generator,
      validation_steps=50,  # 1000 images = batch_size * steps
      verbose=2)

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。
如需转载请保留出处:https://bianchenghao.cn/34612.html

(0)
编程小号编程小号

相关推荐

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注