python：深度学习：图像数据批量导入生成

方法1：tf.keras.preprocessing.image_dataset_from_directory

train = tf.keras.preprocessing.image_dataset_from_directory(
   directory= './data/',   # 数据路径
   label_mode = 'categorical',   # int-0124 cat-[0001] bin - [01]
   color_mode = 'rgb',     # 颜色模式rgba通道，gray单通道
   image_size = (28,28),    # 图片大小
   shuffle = True,    # 是否打乱数据，训练集-数据打乱
   seed = 123,
   validation_split = 0.2,
   subset = 'training')   # 选择划分后的训练集  

对测试集的划分只用修改subset为validation

方法2：tf.keras.preprocessing.image.ImageDataGenerator

gen = tf.keras.preprocessing.image.ImageDataGenerator(
    rotation_range = 45,    # 旋转范围
    zoom_range = 0.3,   # 随机放大缩小的范围
    horizontal_flip = True,     # 水平方向翻转
    vertical_flip = True,      # 垂直方向翻转
    rescale = 1./255,    # 标准化
    validation_split = 0.2,  # 验证集划分比例
)     # 图像增强

traindb= gen.flow_from_directory(directory='C:/Users/86188/Desktop/图像识别/data/', # 路径
    target_size=(256, 256), # 图片大小
    color_mode='rgb', # "grayscale", "rgb", "rgba"
    classes=None,
    class_mode='categorical', # "categorical", "binary", "sparse"
    batch_size=32,
    shuffle=True,
    seed=123,
#     save_to_dir='./data/tmp/', # 图像保存
#     save_prefix='d_',
#     save_format='png',
    subset='training', # 数据选择
    )

对测试集也是一样的操作，修改subset

个人使用上喜欢方法1