TensorFlow学习笔记（13）数据增强_tensorflow数据增强

        本篇笔记主要记录了TensorFlow中对图片数据进行增强的两种方法。

        1、使用keras预处理层

        tf.keras.layers.Ressize 改变图片大小

        tf.keras.layers.Rescaling    归一化

#对图片大小进行统一，并归一化
 
IMG_SIZE = 180
 
 
resize_and_rescale = tf.keras.Sequential([
  layers.Resizing(IMG_SIZE, IMG_SIZE),
  layers.Rescaling(1./255)
])

        tf.keras.layers.RandomFlip    随机翻转

        tf.keras.layers.RandomRotation    随机旋转

#对图片进行随机翻转和旋转
 
data_augmentation = tf.keras.Sequential([
 
layers.RandomFlip("horizontal_and_vertical"),
  layers.RandomRotation(0.2),
])

   tf.keras.layers.RandomContrast    随机调整图片的对比度

   tf.keras.layers.RandomCrop    随机裁剪图片

   tf.keras.layers.RandomZoom    随机缩放图片

        在进行数据增强的操作后，如何使用这些图像成了重中之重。目前有两种处理方式：

        ①使预处理层成为模型的一部分

model = tf.keras.Sequential([
  resize_and_rescale,
  data_augmentation,
  layers.Conv2D(16, 3, padding='same', activation='relu'),
  layers.MaxPooling2D(),
])

        当使用model.save导出模型时，预处理层会和其他网络层一同保存。如果再次在其他数据集上使用此模型，会根据已经设定好的预处理层再次标准化图像。测试时，数据增强预处理层是停用的，只有在调用model.fit的时候，才会对输入图像进行增强。model.evaluate和model.predict并不会对图像进行处理。

        ②将预处理层应用于数据集

aug_ds = train_ds.map(
lambda x, y: (resize_and_rescale(x, training=True), y))
 
#匿名函数对x和y进行处理，使用map函数将处理后的x和y一一对应

        通过这种方式对数据集进行批次增强，数据增强在CPU上异步进行，此时可以使用dataset.prefetch预读取将GPU上的模型训练和数据预处理重叠。而且在调用model.save时，预处理层并不会随模型一并导出。在保存模型或者重现时，需要将其加到模型上。

演示：

batch_size = 32
AUTOTUNE = tf.data.AUTOTUNE
 
def prepare(ds, shuffle=False, augment=False):
  ds = ds.map(lambda x, y: (resize_and_rescale(x), y),
              num_parallel_calls=AUTOTUNE)
 
#数据增强
 
if shuffle:
    ds = ds.shuffle(1000)
  ds = ds.batch(batch_size)
 
#每32个分为一个batch
 
#仅仅在训练层使用数据增强 
 
if augment:
 
ds = ds.map(lambda x, y: (data_augmentation(x, training=True), y),
                num_parallel_calls=AUTOTUNE)
  return ds.prefetch(buffer_size=AUTOTUNE)
train_ds = prepare(train_ds, shuffle=True, augment=True)
val_ds = prepare(val_ds)
test_ds = prepare(test_ds)
 
model = tf.keras.Sequential([
  layers.Conv2D(16, 3, padding='same', activation='relu'),
  layers.MaxPooling2D(),
  layers.Conv2D(32, 3, padding='same', activation='relu'),
  layers.MaxPooling2D(),
  layers.Conv2D(64, 3, padding='same', activation='relu'),
  layers.MaxPooling2D(),
  layers.Flatten(),
  layers.Dense(128, activation='relu'),
  layers.Dense(num_classes)
])
 
model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])
 
epochs=5
history = model.fit(
  train_ds,
  validation_data=val_ds,
  epochs=epochs
)
 
loss, acc = model.evaluate(test_ds)
print("Accuracy", acc)

2、使用tf.image

使用tf.data和tf.image编写数据增强层，常见的调整方式有：

tf.image.flip_left_right    左右翻转

tf.image.rgb_to_grayscale    变为灰度图

tf.image.adjust_brightness    调整亮度

tf.image.central_crop    裁剪图像中心区域

tf.image.adjust_saturation    调整饱和度

除此之外，还有一些随机变换帮助泛化和拓展数据的方式。

tf.image.stateless_random_brightness

tf.image.stateless_random_contrast

tf.image.stateless_random_crop

tf.image.stateless_random_flip_left_right

tf.image.stateless_random_flip_up_down

tf.image.stateless_random_hue

tf.image.stateless_random_jpeg_quality

tf.image.stateless_random_saturation

经过这些api处理的输出图像，仅仅取决于输入。在随机调整的过程中，每一步都要求输入一个随机的seed值，只要是同一个seed，无论调用多少次输出的都是相同的结果。