我认为该文件可以是相当令人困惑和我想象的行为是不同的,这取决于你的Tensorflow和Keras版本。 例如,在这个 职位,用户的描述的确切行为你期待。 通常, flow_from_directory()
方法可以读取图像直接从目录和增加他们的话你的模型是正在接受培训和如已经指出 ,这里,它迭代,每个样品的每个文件夹中的每一个时代。 使用下面的例子中,你可以检查这种情况(TF2.7)通过查看步骤每时代在进步栏:
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
如果你包裹 flow_from_directory
与 tf.data.Dataset.from_generator
是这样的:
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))
你会注意到取得的进展吧看起来像这样因为 steps_per_epoch
没有被明确地定义:
Epoch 1/10
Found 3670 images belonging to 5 classes.
29/Unknown - 104s 4s/step - loss: 2.0364
如果添加这种参数时,你会看到的步骤的进度条:
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,对你的问题:
如何使用这种发电机正常功能适合所有
数据在我的培训设置的,包括原始的非增强的图像和
增强图像,以期通过几次/步骤?
你可以简单地增加 steps_per_epoch
超越 number of samples // batch_size
乘以一些因素:
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,而不是58个划时代步骤每你有116个。