如果你還沒有下載訓練數據，請參考這里。

TF2.0提供了極簡潔的API用來生成訓練數據，你只要指定圖片所在的目錄。

【例】馬與人的分類

from tensorflow.keras.preprocessing.image import ImageDataGenerator import tensorflow as tf from tensorflow.keras.optimizers import RMSproptrain_datagen = ImageDataGenerator(rescale=1/255) train_generator = train_datagen.flow_from_directory('/tmp/horse-or-human/',target_size=(300, 300),batch_size=128,class_mode='binary')model = tf.keras.models.Sequential([tf.keras.layers.Conv2D(16, (3,3), activation='relu', input_shape=(300, 300, 3)),tf.keras.layers.MaxPooling2D(2, 2),tf.keras.layers.Conv2D(32, (3,3), activation='relu'),tf.keras.layers.MaxPooling2D(2,2),tf.keras.layers.Conv2D(64, (3,3), activation='relu'),tf.keras.layers.MaxPooling2D(2,2),tf.keras.layers.Conv2D(64, (3,3), activation='relu'),tf.keras.layers.MaxPooling2D(2,2),tf.keras.layers.Conv2D(64, (3,3), activation='relu'),tf.keras.layers.MaxPooling2D(2,2),tf.keras.layers.Flatten(),tf.keras.layers.Dense(512, activation='relu'),tf.keras.layers.Dense(1, activation='sigmoid') ])model.summary()model.compile(loss='binary_crossentropy',optimizer=RMSprop(lr=0.001),metrics=['acc'])history = model.fit_generator(train_generator,steps_per_epoch=8,epochs=15,verbose=1)

【重點1】訓練數據生成器：

train_datagen = ImageDataGenerator(rescale=1/255) train_generator = train_datagen.flow_from_directory('/tmp/horse-or-human/',target_size=(300, 300),batch_size=128,class_mode='binary')

這個生成器的重要參數是訓練數據（即圖片）的在的目錄、目標尺寸（模型的輸入）、批量尺寸（每次訓練多少張圖片）、分類模式（二分類還是多分類）

【重點2】fit_generator代替fit

history = model.fit_generator(train_generator,steps_per_epoch=8,epochs=15,verbose=1)

1.訓練函數是fit_generator而不是fit

2.參數train_generator并非已經生成的數據，而是一個數據生成器（它能夠產生訓練數據，但它自己本身不是數據）

?

【例2】帶驗證集

from tensorflow.keras.preprocessing.image import ImageDataGenerator from tensorflow.keras.optimizers import RMSprop import tensorflow as tftrain_datagen = ImageDataGenerator(rescale=1/255) train_generator = train_datagen.flow_from_directory('/tmp/horse-or-human/',target_size=(300, 300),batch_size=128,class_mode='binary')validation_datagen = ImageDataGenerator(rescale=1/255) validation_generator = validation_datagen.flow_from_directory('/tmp/validation-horse-or-human/',target_size=(300, 300),batch_size=32,class_mode='binary')model = tf.keras.models.Sequential([tf.keras.layers.Conv2D(16, (3,3), activation='relu', input_shape=(300, 300, 3)),tf.keras.layers.MaxPooling2D(2, 2),tf.keras.layers.Conv2D(32, (3,3), activation='relu'),tf.keras.layers.MaxPooling2D(2,2),tf.keras.layers.Conv2D(64, (3,3), activation='relu'),tf.keras.layers.MaxPooling2D(2,2),tf.keras.layers.Conv2D(64, (3,3), activation='relu'),tf.keras.layers.MaxPooling2D(2,2),tf.keras.layers.Conv2D(64, (3,3), activation='relu'),tf.keras.layers.MaxPooling2D(2,2),tf.keras.layers.Flatten(),tf.keras.layers.Dense(512, activation='relu'),tf.keras.layers.Dense(1, activation='sigmoid') ])model.summary()model.compile(loss='binary_crossentropy',optimizer=RMSprop(lr=0.001),metrics=['acc'])history = model.fit_generator(train_generator,steps_per_epoch=8,epochs=15,verbose=1,validation_data = validation_generator,validation_steps=8)

【重點1】比例1多了一個數據生成器

validation_datagen = ImageDataGenerator(rescale=1/255) validation_generator = validation_datagen.flow_from_directory('/tmp/validation-horse-or-human/',target_size=(300, 300),batch_size=32,class_mode='binary')

這個生成器的作用是產生驗證數據

【重點2】fit_generator的參數多了驗證數據生成器

history = model.fit_generator(train_generator,steps_per_epoch=8,epochs=15,verbose=1,validation_data = validation_generator,validation_steps=8)

這個參數的作用是生成驗證數據，所生成的數據將在每一輪訓練結束后對模型進行驗證。

【輸出】：

紅框的信息是驗證數據的損失和準確率。

?

本文重點是生成訓練數據，可參考Keras官網API：https://keras.io/preprocessing/image/

?

總結

以上是生活随笔為你收集整理的【TF2.0-CNN】使用ImageDataGenerator生成训练数据的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。