深度学习 之 data augmentation

深度学习是基于数据驱动的学科,通过data augmentation(数据扩张)可以有效的进行数据扩张并进行一些数据normalized操作. 以此,便于扩大数据集,丰富数据多样性,便于学习到更深度广泛的特征, 避免模型的overfit和underfit.
这里直接调用keras.preprocessing.image中的ImageDataGenerator. 这个函数包含了常用的图像变换和normalization方法.

  • 函数介绍
from keras.preprocessing.image import ImageDataGenerator

? ImageDataGenerator # 查看函数帮助
  • 函数参数列表(带默认值)如下:
  1. featurewise_center=False:
    设置输入特征的均值为0(每一个维度,feature-wise)
    Set input mean to 0 over the dataset, feature-wise.
  2. samplewise_center=False:
    设置每一个样本的均值为0.(样本级别的均值, 也就是该样本所有特征之和的平均为0)
    Set each sample mean to 0.
  3. featurewise_std_normalization=False
    每一个特征维度除以该维度的标准差.
    Divide inputs by std of the dataset, feature-wise.
  4. samplewise_std_normalization=False
    每一个特征(所有维度)整体除以相应的标准差.
    Divide each input by its std.
  5. zca_whitening=False
    采用ZCA白化操作.
    Apply ZCA(Zero-phase Component Analysis) whitening
  6. zca_epsilon=1e-06
    epsilon值
    epsilon for ZCA whitening. Default is 1e-6.
  7. rotation_range=0.0
    随机旋转的最大值.?
    Degree range for random rotations.
  8. width_shift_range=0.0
    水平平移的比例范围(范围的最大值)
    Float (fraction of total width). Range for random horizontal shifts.
  9. height_shift_range=0.0
    纵向平移的比例返回(范围的最大值)
    Float (fraction of total height). Range for random vertical shifts.
  10. brightness_range=None
  11. shear_range=0.0
    裁剪强度范围最大值(逆时针方向角度)
    Shear Intensity (Shear angle in counter-clockwise direction in degrees)
  12. zoom_range=0.0
    随机缩放范围(到底zoom in/out)
    Float or [lower, upper]. Range for random zoom. If a float, [lower, upper] = [1-zoom_range, 1+zoom_range].
  13. channel_shift_range=0.0
    Range for random channel shifts.
  14. fill_mode='nearest'
    One of {"constant", "nearest", "reflect" or "wrap"}. Default is 'nearest'.
    Points outside the boundaries of the input are filled according to the given mode:
    'constant': kkkkkkkk|abcd|kkkkkkkk (cval=k)
    'nearest': aaaaaaaa|abcd|dddddddd
    'reflect': abcddcba|abcd|dcbaabcd
    'wrap': abcdabcd|abcd|abcdabcd
  15. cval=0.0
    Value used for points outside the boundaries when fill_mode = "constant".
  16. horizontal_flip=False
    Randomly flip inputs horizontally. (难道不是=True, 就一定翻转?), 如果是随机翻转, 则说明,选择该项之后, 在训练过程中随机对图片执行该操作, 而不是一定执行. 如果一定执行,那么训练集的数量就会增加., 应该是随机翻转.
  17. vertical_flip=False
    Randomly flip inputs vertically.
  18. rescale=None
    Defaults to None. If None or 0, no rescaling is applied,otherwise we multiply the data by the value provided (before applying any other transformation).
  19. preprocessing_function=None
    function that will be implied on each input. The function will run after the image is resized and augmented. The function should take one argument: one image (Numpy tensor with rank 3), and should output a Numpy tensor with the same shape.
  20. data_format=None
    One of {"channels_first", "channels_last"}.
    "channels_last" mode means that the images should have shape (samples, height, width, channels),
    "channels_first" mode means that the images should have shape (samples, channels, height, width).
    It defaults to the image_data_format value found in your
    Keras config file at ~/.keras/keras.json.
    If you never set it, then it will be "channels_last".
  21. validation_split=0.0
    Fraction of images reserved for validation (strictly between 0 and 1)
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 211,639评论 6 492
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 90,277评论 3 385
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 157,221评论 0 348
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 56,474评论 1 283
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 65,570评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 49,816评论 1 290
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,957评论 3 408
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,718评论 0 266
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,176评论 1 303
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,511评论 2 327
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,646评论 1 340
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,322评论 4 330
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,934评论 3 313
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,755评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,987评论 1 266
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,358评论 2 360
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,514评论 2 348

推荐阅读更多精彩内容

  • rljs by sennchi Timeline of History Part One The Cognitiv...
    sennchi阅读 7,309评论 0 10
  • 朋友圈里有几个这样的人,人生光辉耀眼,在哪都是光芒四射。 一个是我大学室友,中学时一直是学校的学生会主席;大学时,...
    q肥有大智慧阅读 994评论 0 6
  • time flies!年轻的时候就该多奋斗
    不二家beling阅读 192评论 0 0
  • 图文/蓝子辰 我们四个人到达广州站。总公司办公室主任刘先生,站在人流拥挤的出口处,举着一张用纸箱板上,写着”接杭州...
    蓝子辰阅读 342评论 21 14
  • 什麼是真實,做什麼和誰在一起,你看到什麼聽到什麼,有一種從心靈深處滿溢出來的不懊悔也不羞恥的平和與喜悅。 说自己:...
    我向往阅读 888评论 0 2