tensorflow进行数据增强
我们在进行训练的时候，如果输入的样本有限，会导致网络陷入过拟合。
在tensorflow里有专门针对这个的解决方法，tf.ImageDataGenerator,它的作用是进行数据增强。在给定数据的基础上进行 旋转，剪切，缩放等操作，来获得更多的数据。
例：
复制代码
1
2
3
4
5
6
7
8
9
10
11train_datagen = keras.preprocession.image.ImageDataGenerator( rescale=1./255, # 像素点255,范围（0，1） rotation_range = 30, #随机旋转角度范围在（-30，30） width_shift_range = 0.2, #水平位移（-0.2，0.2），提高数据鲁棒性，如大于1，表示像素值 height_shift_range = 0.2, #上下位移（-0.2，0.2），如大于1，表示像素值 shear_range = 0.2, #剪切强度 zoom_range = 0.2, #缩放程度 horizontal_flip = True, # 是不是随机做水平翻转 fill_mode = 'nearest' #填充像素，离他最近的真实像素点进行填充 )
数据增强处理，不会占用更多的存储空间，即在数据增强过程中，原始的数据不会被修改，所有的处理过程都是在内存中即时的。
注意：
虽然数据增强提高了数据的随机性，但是如果数据或者应用场景不具备这样的随机性，那么不仅不会起到作用，还会增加训练所需的时间。
还有一点，平时我们使用model.fit训练数据，但这是在数据集不是很大的时间比较好用，当我们处理非常大的数据集的时候，就不适合用fit。这个时候我们需要用到keras.fit_generator函数。
最后
以上就是俏皮纸飞机最近收集整理的关于tensorflow进行数据增强的全部内容，更多相关tensorflow进行数据增强内容请搜索靠谱客的其他文章。
本图文内容来源于网友提供，作为学习参考使用，或来自网络收集整理，版权属于原作者所有。
发表评论 取消回复