課程來源：人工智能實踐:Tensorflow筆記2

文章目錄

• 前言
• TensorFlow2數據增強函數
• 數據增強+網絡八股代碼：
• 總結

---

前言

本講目標:數據增強，增大數據量
關于我們為何要使用數據增強以及常用的幾種數據增強的手法，可以看看下面的文章，雖說是翻譯的，但仍有可鑒之處：
數據增強(Data Augmentation)

---

TensorFlow2數據增強函數

對圖像的增強就是對圖像的簡單形變，用來應對因為拍照角度不同引起的圖片形變。
TensorFlow2給出了數據增強函數

image_gen_train =tf.keras.preprocessing.image.ImageDataGenerator( rescale = 所有數據將乘以該數值 rotation_range =隨機旋轉角度數范圍 width_shift_range = 隨機寬度偏移量 height_shift_range =隨機高度偏移量 horizontal_flip =是否隨機水平翻轉 zoom_range =隨機縮放的范圍[1-n,1+n]) image_gen_train.fit(x_train) fit需要輸入4維數據，所以將x_train reshape為(60000,28,28,1) 這個1表示單通道灰度值 model.fit同步更新為.flow形式

劃紅線的部分為需要注意的地方：

數據增強+網絡八股代碼：

import tensorflow as tf from tensorflow.keras.preprocessing.image import ImageDataGeneratorfashion = tf.keras.datasets.fashion_mnist (x_train, y_train), (x_test, y_test) = fashion.load_data() x_train, x_test = x_train / 255.0, x_test / 255.0x_train = x_train.reshape(x_train.shape[0], 28, 28, 1) # 給數據增加一個維度，使數據和網絡結構匹配image_gen_train = ImageDataGenerator(rescale=1. / 1., # 如為圖像，分母為255時，可歸至0～1rotation_range=45, # 隨機45度旋轉width_shift_range=.15, # 寬度偏移height_shift_range=.15, # 高度偏移horizontal_flip=True, # 水平翻轉zoom_range=0.5 # 將圖像隨機縮放閾量50％ ) image_gen_train.fit(x_train)model = tf.keras.models.Sequential([tf.keras.layers.Flatten(),tf.keras.layers.Dense(128, activation='relu'),tf.keras.layers.Dense(10, activation='softmax') ])model.compile(optimizer='adam',loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),metrics=['sparse_categorical_accuracy'])model.fit(image_gen_train.flow(x_train, y_train, batch_size=32), epochs=5, validation_data=(x_test, y_test),validation_freq=1) model.summary()

隨著迭代輪數增加，準確率不斷提高。但從數據集上不能看出數據增強的效果，要在實際應用中去使用。

總結

課程鏈接:MOOC人工智能實踐：TensorFlow筆記2

總結

以上是生活随笔為你收集整理的【神经网络八股扩展】：数据增强的全部內容，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。