python - 在预测期间，数据规范化如何在 keras 中工作？

Question

我看到 imageDataGenerator 允许我指定不同样式的数据规范化，例如featurewise_center、samplewise_center 等

我从示例中看到，如果我指定了这些选项之一，那么我需要在生成器上调用 fit 方法，以允许生成器计算像生成器上的平均图像这样的统计数据。

(X_train, y_train), (X_test, y_test) = cifar10.load_data()
Y_train = np_utils.to_categorical(y_train, nb_classes)
Y_test = np_utils.to_categorical(y_test, nb_classes)

datagen = ImageDataGenerator(
    featurewise_center=True,
    featurewise_std_normalization=True,
    rotation_range=20,
    width_shift_range=0.2,
    height_shift_range=0.2,
    horizontal_flip=True)

# compute quantities required for featurewise normalization
# (std, mean, and principal components if ZCA whitening is applied)
datagen.fit(X_train)

# fits the model on batches with real-time data augmentation:
model.fit_generator(datagen.flow(X_train, Y_train, batch_size=32),
                samples_per_epoch=len(X_train), nb_epoch=nb_epoch)

我的问题是，如果我在训练期间指定了数据归一化，预测将如何工作？我看不到在框架中我什至会如何传递训练集均值/标准偏差的知识来预测以允许我自己规范化我的测试数据，但我也没有在训练代码中看到这些信息在哪里存储。

标准化所需的图像统计信息是否存储在模型中，以便在预测期间使用？

Answer 1

是的 - 这是 Keras.ImageDataGenerator 的一个非常大的缺点您无法自己提供标准化统计信息。但是 - 有一个简单的方法可以解决这个问题。

假设你有一个函数 normalize(x)这是对图像 batch 进行规范化(请记住，生成器提供的不是简单图像而是图像数组 - batch 形状为 (nr_of_examples_in_batch, image_dims ..)，您可以使用使用规范化:

def gen_with_norm(gen, normalize):
    for x, y in gen:
        yield normalize(x), y

那么你可以简单地使用 gen_with_norm(datagen.flow, normalize)而不是 datagen.flow .

此外-您可能会恢复mean和 std由 fit 计算通过从 datagen 中的适当字段(例如 datagen.mean 和 datagen.std )获取它的方法。