tensorflow进行数据增强_tensorflow样本增强

在tensorflow里有专门针对这个的解决方法，tf.ImageDataGenerator,它的作用是进行数据增强。在给定数据的基础上进行 旋转，剪切，缩放等操作，来获得更多的数据。

例：

train_datagen = keras.preprocession.image.ImageDataGenerator(
    rescale=1./255, # 像素点255,范围（0，1）
    rotation_range = 30, #随机旋转角度范围在（-30，30）
    width_shift_range = 0.2, #水平位移（-0.2，0.2），提高数据鲁棒性，如大于1，表示像素值
    height_shift_range = 0.2, #上下位移（-0.2，0.2），如大于1，表示像素值
    shear_range = 0.2, #剪切强度
    zoom_range = 0.2, #缩放程度
    horizontal_flip = True, # 是不是随机做水平翻转
    fill_mode = 'nearest' #填充像素，离他最近的真实像素点进行填充
)
1
2
3
4
5
6
7
8
9
10

数据增强处理，不会占用更多的存储空间，即在数据增强过程中，原始的数据不会被修改，所有的处理过程都是在内存中即时的。

注意：
虽然数据增强提高了数据的随机性，但是如果数据或者应用场景不具备这样的随机性，那么不仅不会起到作用，还会增加训练所需的时间。

还有一点，平时我们使用model.fit训练数据，但这是在数据集不是很大的时间比较好用，当我们处理非常大的数据集的时候，就不适合用fit。这个时候我们需要用到keras.fit_generator函数。