python - 如何在 Keras 中正确使用 ImageDataGenerator？

Question

我最近在 Keras 中进行数据扩充，我正在使用基本的 ImageDataGenerator。我通过艰难的方式了解到它实际上是一个生成器，而不是迭代器(因为 type(train_aug_ds) 给出了 <class 'keras.preprocessing.image.DirectoryIterator'> 我认为它是一个迭代器)。我还查看了一些关于使用它的博客，但它们并没有回答我所有的问题。

所以，我像这样加载我的数据:

train_aug = ImageDataGenerator(
    rescale=1./255,
    horizontal_flip=True,
    height_shift_range=0.1,
    width_shift_range=0.1,
    brightness_range=(0.5,1.5),
    zoom_range = [1, 1.5],
)
train_aug_ds = train_aug.flow_from_directory(
    directory='./train',
    target_size=image_size,
    batch_size=batch_size,
)

为了训练我的模型，我执行了以下操作:

model.fit(
    train_aug_ds,
    epochs=150,
    validation_data=(valid_aug_ds,),
)

它奏效了。我有点困惑它是如何工作的，因为train_aug_ds是生成器，所以它应该给出无限大的数据集。文档说:

When passing an infinitely repeating dataset, you must specify the steps_per_epoch argument.

虽然我没有这样做，但它确实有效。它是否以某种方式推断出步数？另外，它是只使用增强数据，还是批量使用非增强图像？

基本上，我的问题是如何通过函数 fit 正确使用此生成器在我的训练集中包含所有数据，包括原始的、非增强的图像和增强的图像，并通过它循环几次/步骤(现在似乎每个时期只执行一个步骤)？

Answer 1

我认为文档可能非常困惑，而且我认为行为会因您的 Tensorflow 和 Keras 版本而异。例如，在这个 post ，用户正在描述您期望的确切行为。通常，flow_from_directory() 方法允许您直接从目录读取图像并在训练模型时扩充它们，如前所述 here ，它在每个时期对每个文件夹中的每个样本进行迭代。使用以下示例，您可以通过查看进度条中每个时期的步骤来检查是否属于这种情况(在 TF 2.7 上):

import tensorflow as tf

BATCH_SIZE = 64

flowers = tf.keras.utils.get_file(
    'flower_photos',
    'https://storage.googleapis.com/download.tensorflow.org/example_images/flower_photos.tgz',
    untar=True)

img_gen = tf.keras.preprocessing.image.ImageDataGenerator(
    rescale=1./255,
    horizontal_flip=True,
)

train_ds = img_gen.flow_from_directory(flowers, batch_size=BATCH_SIZE, shuffle=True, class_mode='sparse')
num_classes = 5

model = tf.keras.Sequential([
  tf.keras.layers.Conv2D(16, 3, padding='same', activation='relu', input_shape=(256, 256, 3)),
  tf.keras.layers.MaxPooling2D(),
  tf.keras.layers.Conv2D(32, 3, padding='same', activation='relu'),
  tf.keras.layers.MaxPooling2D(),
  tf.keras.layers.Conv2D(64, 3, padding='same', activation='relu'),
  tf.keras.layers.MaxPooling2D(),
  tf.keras.layers.Flatten(),
  tf.keras.layers.Dense(128, activation='relu'),
  tf.keras.layers.Dense(num_classes)
])

model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True))

epochs=10
history = model.fit(
  train_ds,
  epochs=epochs
)

Found 3670 images belonging to 5 classes.
Epoch 1/10
 6/58 [==>...........................] - ETA: 3:02 - loss: 2.0608

如果像这样用 tf.data.Dataset.from_generator 包装 flow_from_directory:

train_ds = tf.data.Dataset.from_generator(
    lambda: img_gen.flow_from_directory(flowers, batch_size=BATCH_SIZE, shuffle=True, class_mode='sparse'),
    output_types=(tf.float32, tf.float32))

您会注意到进度条看起来像这样，因为 steps_per_epoch 尚未明确定义:

Epoch 1/10
Found 3670 images belonging to 5 classes.
     29/Unknown - 104s 4s/step - loss: 2.0364

如果你添加这个参数，你会在进度条中看到步骤:

history = model.fit(
  train_ds,
  steps_per_epoch = len(from_directory),
  epochs=epochs
)

Found 3670 images belonging to 5 classes.
Epoch 1/10
 3/58 [>.............................] - ETA: 3:19 - loss: 4.1357

最后，对于你的问题:

How to use this generator correctly with function fit to have alldata in my training set, including original, non-augmented images andaugmented images, and to cycle through it several times/step?

您可以通过乘以某个因子来简单地将 steps_per_epoch 增加到 number of samples//batch_size 之外:

history = model.fit(
  train_ds,
  steps_per_epoch = len(from_directory)*2,
  epochs=epochs
)

Found 3670 images belonging to 5 classes.
Epoch 1/10
  1/116 [..............................] - ETA: 12:11 - loss: 1.5885

现在每个纪元有 116 步，而不是 58 步。