Tensorflow2中ImageDataGenerator中flow_from_directory()和flow_from_directory()区别

这两个函数经常用来创建深度学习的数据集,有些类似,但也有不同,不同在于数据返回的类型不一样。

1.flow_from_directory()

keras_preprocessing.image.image_data_generator.ImageDataGenerator.flow_from_directory()

def flow_from_directory(self,
                        directory: Any,
                        target_size: Tuple[int, int] = (256, 256),
                        color_mode: str = 'rgb',
                        classes: Any = None,
                        class_mode: str = 'categorical',
                        batch_size: int = 32,
                        shuffle: bool = True,
                        seed: Any = None,
                        save_to_dir: Any = None,
                        save_prefix: str = '',
                        save_format: str = 'png',
                        follow_links: bool = False,
                        subset: Any = None,
                        interpolation: str = 'nearest') -> DirectoryIterator

Returns

一个产生(x,y)元组的目录迭代器(DirectoryIterator)。
其中x是包含一批(batch_size,* target_size,channels)类型的图像的numpy数组,y是对应标签的numpy数组。

参数说明:

  • 目录(directory):字符串,目标目录的路径。每个类应该包含一个子目录。生成器中将包含每个子目录树中的任何PNG、JPG、BMP、PPM或TIF图像。有关详细信息,请参阅(https://gist.github.com/fchollet/0830affa1f7f19fd47b06d4cf89ed44d)。
  • 目标大小(target_size):整数的元组(高度、宽度)。默认值:(256,256)。将调整找到的所有图像的尺寸。
  • 颜色_模式(color_mode):“灰度”、“rgb”、“rgba”之一。默认值:“rgb”。是否将图像转换为具有1、3或4个通道。
  • 类列表(classes):类子目录的可选列表。(例如,“狗”、“猫”)。默认值:无。如果没有提供,将根据目录下的子目录名称/结构自动推断类列表,其中每个子目录将被视为不同的类(将映射到标签索引的类的顺序将是字母数字)。包含从类名到类索引的映射的字典可以通过属性class_indexes获得。
  • 类模式:确定返回的标签数组的类型:“分类(“categorical”)”、“二进制(“binary”)”、“稀疏(“sparse”)”、“输入(“input”)”、“无(None)”模式之一。默认值:“分类”。

          “categorial”则是2维one-hot编码标签;
          “binary”则是一维二进制标签;
          “sparse”是1维整数标签;
          “input”是与输入图像相同的图像(主要用于自动编码器);
           None,则不会返回任何标签(生成器将只生成一批图像数据,与model.predict_generator()一起使用非常有用)。请注意,在类模式为“无”的情况下,数据仍然需要驻留在目录的子目录中,以便它正常工作。

  • 批次大小(batch_size):数据批次的大小(默认值:32)。
  • 随机播放(shuffle):是否随机播放数据(默认值:True)。如果设置为False,则按字母数字顺序对数据进行排序。
  • 种子(seed):可选的随机种子,用于洗牌和转换。
  • 保存路径(save_to_dir):none或str(默认值:none)。这允许您选择指定一个目录,将生成的增强图片保存到该目录(对于可视化所做的操作很有用)。
  • 保存前缀(save_prefix): Str. Prefix用于保存图片的文件名(仅当设置了save_to_dir时才相关)。
  • 保存格式(save_format):“png”、“jpeg”之一(仅当设置了save_to_dir时才相关)。默认值:“png”。
  • 跟随链接(follow_links):是否跟随类子目录内的符号链接(默认值:False)。
  • 子集(subset):如果在ImageDataGenerator中设置了验证分割(validation_split),则为数据的子集(训练集"training" 或验证集"validation")。
  • 插值(interpolation):当目标大小与加载的图像大小不同时,用于对图像重新采样的插值方法。支持的方法有最近邻"nearest"、双线性"bilinear"和双三次"bicubic"。如果安装了PIL版本1.1.3或更高版本,还支持“lanczos”。如果安装了PIL 3.4.0或更高版本,还支持“Box”和“Hamming”。默认情况下,使用“nearest”。

来自:flow_from_directory返回值

2.flow_from_directory()

Function

# from tensorflow.keras.preprocessing import image_dataset_from_directory
 
tf.keras.preprocessing.image_dataset_from_directory(
    directory,
    labels="inferred",
    label_mode="int",
    class_names=None,
    color_mode="rgb",
    batch_size=32,
    image_size=(256, 256),
    shuffle=True,
    seed=None,
    validation_split=None,
    subset=None,
    interpolation="bilinear",
    follow_links=False,
)

Returns

一个tf.data.Dataset对象。

  • 如果label_mode为None,它将生成float32张量,其shape(batch_size, image_size[0], image_size(1), num_channels),并对图像进行编码(有关num_channels的规则,参见下文)。

  • 否则,将生成一个元组(images, labels),其中图像的shape(batch_size, image_size[0], image_size(1), num_channels),并且labels遵循下面描述的格式。

  • 如果label_mode 是 int, labels是形状为(batch_size, )int32张量

  • 如果label_mode 是 binarylabels是形状为(batch_size, 1)的1和0的float32张量。

  • 如果label_mode 是 categoriallabels是形状为(batch_size, num_classes)float32张量,表示类索引的one-hot编码。

color_mode 是 grayscale, 图像张量有1个通道;color_mode 是 rgb, 图像张量有3个通道;color_mode 是 rgba, 图像张量有4个通道。

来自:tf.keras.preprocessing.image_dataset_from_directory

热门文章

暂无图片
编程学习 ·

exe4j详细使用教程(附下载安装链接)

一、exe4j介绍 ​ exe4j是一个帮助你集成Java应用程序到Windows操作环境的java可执行文件生成工具,无论这些应用是用于服务器,还是图形用户界面(GUI)或命令行的应用程序。如果你想在任务管理器中及Windows XP分组的用户友好任务栏…
暂无图片
编程学习 ·

AUTOSAR从入门到精通100讲(126)-浅谈车载充电系统通信方案

01 引言 本文深入研究车载充电系统策略,设计出一套基于电动汽车电池管理系统与车载充电机的CAN通信协议,可供电动汽车设计人员参考借鉴。 02 电动汽车充电系统通讯网络 电动汽车整车控制系统中采用的是CAN总线通信方式,由一个整车内部高速CAN网络、内部低速CAN网络和一个充电…
暂无图片
编程学习 ·

CMake(九):生成器表达式

当运行CMake时,开发人员倾向于认为它是一个简单的步骤,需要读取项目的CMakeLists.txt文件,并生成相关的特定于生成器的项目文件集(例如Visual Studio解决方案和项目文件,Xcode项目,Unix Makefiles或Ninja输入文件)。然…
暂无图片
编程学习 ·

47.第十章 网络协议和管理配置 -- 网络配置(八)

4.3.3 route 命令 路由表管理命令 路由表主要构成: Destination: 目标网络ID,表示可以到达的目标网络ID,0.0.0.0/0 表示所有未知网络,又称为默认路由,优先级最低Genmask:目标网络对应的netmaskIface: 到达对应网络,应该从当前主机哪个网卡发送出来Gateway: 到达非直连的网络,…
暂无图片
编程学习 ·

元宇宙技术基础

请看图: 1、通过AR、VR等交互技术提升游戏的沉浸感 回顾游戏的发展历程,沉浸感的提升一直是技术突破的主要方向。从《愤怒的小鸟》到CSGO,游戏建模方式从2D到3D的提升使游戏中的物体呈现立体感。玩家在游戏中可以只有切换视角,进而提升沉浸…
暂无图片
编程学习 ·

flink的伪分布式搭建

一 flink的伪分布式搭建 1.1 执行架构图 1.Flink程序需要提交给 Job Client2.Job Client将作业提交给 Job Manager3.Job Manager负责协调资源分配和作业执行。 资源分配完成后,任务将提交给相应的 Task Manage。4.Task Manager启动一个线程以开始执行。Task Manage…
暂无图片
编程学习 ·

十进制正整数与二进制字符串的转换(C++)

Function one: //十进制数字转成二进制字符串 string Binary(int x) {string s "";while(x){if(x % 2 0) s 0 s;else s 1 s;x / 2;}return s; } Function two: //二进制字符串变为十进制数字 int Decimal(string s) {int num 0, …
暂无图片
编程学习 ·

[含lw+源码等]微信小程序校园辩论管理平台+后台管理系统[包运行成功]Java毕业设计计算机毕设

项目功能简介: 《微信小程序校园辩论管理平台后台管理系统》该项目含有源码、论文等资料、配套开发软件、软件安装教程、项目发布教程等 本系统包含微信小程序做的辩论管理前台和Java做的后台管理系统: 微信小程序——辩论管理前台涉及技术:WXML 和 WXS…
暂无图片
编程学习 ·

树莓派驱动DHT11温湿度传感器

1,直接使用python库 代码如下 import RPi.GPIO as GPIO import dht11 import time import datetimeGPIO.setwarnings(True) GPIO.setmode(GPIO.BCM)instance dht11.DHT11(pin14)try:while True:result instance.read()if result.is_valid():print(ok)print(&quo…
暂无图片
编程学习 ·

ELK简介

ELK简介 ELK是三个开源软件的缩写,Elasticsearch、Logstash、Kibana。它们都是开源软件。不过现在还新增了一个 Beats,它是一个轻量级的日志收集处理工具(Agent),Beats 占用资源少,适合于在各个服务器上搜集日志后传输给 Logstas…
暂无图片
编程学习 ·

Linux 基础

通常大数据框架都部署在 Linux 服务器上,所以需要具备一定的 Linux 知识。Linux 书籍当中比较著名的是 《鸟哥私房菜》系列,这个系列很全面也很经典。但如果你希望能够快速地入门,这里推荐《Linux 就该这么学》,其网站上有免费的电…
暂无图片
编程学习 ·

Windows2022 无线网卡装不上驱动

想来 Windows2022 和 windows10/11 的驱动应该差不多通用的,但是死活装不上呢? 搜一下,有人提到 “默认安装时‘无线LAN服务’是关闭的,如果需要开启,只需要在“添加角色和功能”中,选择开启“无线LAN服务…
暂无图片
编程学习 ·

【嵌入式面试宝典】版本控制工具Git常用命令总结

目录 创建仓库 查看信息 版本回退 版本检出 远程库 Git 创建仓库 git initgit add <file> 可反复多次使用&#xff0c;添加多个文件git commit -m <message> 查看信息 git status 仓库当前的状态git diff 差异对比git log 历史记录&#xff0c;提交日志--pret…
暂无图片
编程学习 ·

用Postman生成测试报告

newman newman是一款基于nodejs开发的可以运行postman脚本的工具&#xff0c;使用Newman&#xff0c;可以直接从命令运行和测试postman集合。 安装nodejs 下载地址&#xff1a;https://nodejs.org/en/download/ 选择自己系统相对应的版本内容进行下载&#xff0c;然后傻瓜式安…
暂无图片
编程学习 ·

Java面向对象之多态、向上转型和向下转型

文章目录前言一、多态二、引用类型之间的转换Ⅰ.向上转型Ⅱ.向下转型总结前言 今天继续Java面向对象的学习&#xff0c;学习面向对象的第三大特征&#xff1a;多态&#xff0c;了解多态的意义&#xff0c;以及两种引用类型之间的转换&#xff1a;向上转型、向下转型。  希望能…