Tensorflow 图像增强（ImageDataGenerator）

当我们训练一个较为复杂的网络，并且我们的训练数据集有限时，网络十分容易陷入过拟合的状态。

解决这个问题的一个可能的有效方法是：进行数据增强，即通过已有的有限的数据集，通过图像处理等方法（旋转，剪切，缩放…），获得更多的，类似的，多样化的数据。

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（on-the-fly） 的处理。

注意：
数据增强不一定是万能药（虽然数据多了），数据增强提高了原始数据的随机性，但是若 测试集或应用场景 并不具有这样的随机性，那么它将不会起到作用，还会增加训练所需的时间。

---

使用方法：

train_datagen = ImageDataGenerator(
        rescale=1./255, #数据值除以255，[0-255] ->[0,1]
        shear_range=0.2, #剪切强度（逆时针方向的剪切角度，以度为单位）
        zoom_range=0.2, #随机缩放范围
        horizontal_flip=True) #水平翻转

test_datagen = ImageDataGenerator(rescale=1./255)

train_generator = train_datagen.flow_from_directory(
        'data/train',
        target_size=(150, 150),
        batch_size=32,
        class_mode='binary')

validation_generator = test_datagen.flow_from_directory(
        'data/validation',
        target_size=(150, 150),
        batch_size=32,
        class_mode='binary')

model.fit_generator(
        train_generator,
        steps_per_epoch=2000,
        epochs=50,
        validation_data=validation_generator,
        validation_steps=800)

参考：https://keras.io/preprocessing/image/