python - 如何使用增强来设置训练，同时确保未增强的实际图像也得到训练？

Question

我正在对模型使用数据增强，并希望在训练中包含原始的未增强图像和增强图像。

到目前为止我已经使用了以下代码:

main_dir = "____" (file directory)

train_dir = os.path.join(main_dir, 'training_set')
validation_dir = os.path.join(main_dir, 'validation_set')
test_dir = os.path.join(main_dir, 'test_set')

conv_base = VGG16(weights='imagenet',include_top=False,input_shape=(150, 150, 3))

conv_base.summary()

model = models.Sequential()
model.add(conv_base)
model.add(layers.Flatten())
model.add(layers.Dense(256, activation='relu'))
model.add(layers.Dense(1, activation='sigmoid'))
model.summary()

conv_base.trainable = True
model.summary()

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=(150, 150),batch_size=20,class_mode='binary')
validation_generator = test_datagen.flow_from_directory(validation_dir,target_size=(150, 150),batch_size=20,class_mode='binary')
test_generator = test_datagen.flow_from_directory(test_dir,target_size=(150, 150),batch_size=20,class_mode='binary')

model.compile(loss='binary_crossentropy',optimizer=optimizers.RMSprop(lr=2e-5),metrics=['acc'])

start = time.time()
history=model.fit_generator(train_generator,steps_per_epoch=300,epochs=15,validation_data=validation_generator,validation_steps=50,verbose=2)
print("Time taken to train the MLP %.1f seconds."%(time.time()-start))

如果有人能提供帮助，请告诉我!谢谢:)

Answer 1

因此，ImageDataGenerator 并不是创建一批可以简单添加图像的图像。它在每个时期创建随机变换的图像。虽然这可能会损害您在训练数据上的性能，但它应该会提高验证和测试数据上的性能。说到这里，您不应该在验证和测试数据上运行图像生成器，因为它每次都会随机更改它们并为您的模型提供移动目标。

这个tutorial很好地讨论了这个主题，应该会有所帮助