Tensorflow学习之tf.keras(一) tf.keras.preprocessing(未完)

 

 

 

目录

概述:

tf.keras.preprocessing.image_dataset_from_directory

---

 

 

概述:

Keras 数据预处理工具。

模块：

image       模块:   一组用于图像数据实时数据增强的工具。

sequence模块:   用于预处理序列数据的实用程序。

text    模块:   用于文本输入预处理的实用程序。

函数:

image_dataset_from_directory(...):从目录中的图像文件生成tf.data.Dataset。

text_dataset_from_directory(...):从目录中的文本文件生成tf.data.Dataset 。

timeseries_dataset_from_array(...):在作为数组提供的时间序列上创建滑动窗口的数据集。

tf.keras.preprocessing.image_dataset_from_directory

从目录中的图像文件生成tf.data.Dataset 。

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
)

如果您的目录结构是：

main_directory/
...class_a/
......a_image_1.jpg
......a_image_2.jpg
...class_b/
......b_image_1.jpg
......b_image_2.jpg

然后调用 image_dataset_from_directory(main_directory, labels='inferred') 将返回一个 tf.data.Dataset，它从子目录 class_a 和 class_b 中生成批量图像，以及标签 0 和 1（0 对应于 class_a，1 对应于 class_b）。

支持的图片格式：jpeg、jpg、png、bmp、gif。 动画 gif 被截断到第一帧。

参数
directory	数据所在的目录。 如果标签是“inferred”，它应该包含子目录，每个子目录包含一个类的图像。 否则，目录结构将被忽略。
labels	“inferred”（标签是从目录结构生成的），或与目录中找到的图像文件数量相同大小的整数标签列表/元组。标签应根据图像文件路径的字母数字顺序进行排序（通过 Python 中的 os.walk(directory) 获得）。
label_mode	'int'：表示标签被编码为整数（例如对于 sparse_categorical_crossentropy 损失）。 'categorical' 意味着标签被编码为一个分类向量（例如用于 categorical_crossentropy 损失）。 'binary' 意味着标签（只能有 2 个值）被编码为值为 0 或 1 的 float32 标量（例如对于 binary_crossentropy）。 无（无标签）。
class_names	仅当“标签”为“inferred”时才有效。这是类名的显式列表（必须匹配子目录的名称）。用于控制类的顺序（否则使用字母数字顺序）。
color_mode	“grayscale”、“rgb”、“rgba”之一。 默认值：“RGB”。图像是否将转换为具有 1、3 或 4 个通道。
batch_size	批量数据的大小。 默认值：32。
image_size	从磁盘读取图像后调整图像大小的大小。默认为 (256, 256)。 由于通道处理必须具有相同大小的批量图像，因此必须提供。
shuffle	是否打乱数据。 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。
seed	用于shuffling 和transformations的可选随机种子。
validation_split	0 到 1 之间的可选浮点数，用作验证数据的训练数据的一部分。
subset	“training”或“validation”之一。 仅在设置了validation_split 时使用。
interpolation	字符串，调整图像大小时使用的插值方法。默认为bilinear。支持bilinear, nearest, bicubic, area, lanczos3, lanczos5, gaussian, mitchellcubic. 注：参照tf.image.resize
follow_links	是否访问符号链接指向的子目录。 默认为False。

返回
一个 tf.data.Dataset  对象。	否则，它会生成一个元组(images, labels)，其中图像具有形状（batch_size、image_size[0]、image_size[1]、num_channels），标签遵循下面描述的格式。 如果 label_mode 为 None，则生成形状为 (batch_size, image_size[0], image_size[1], num_channels)的 float32 张量，、编码图像（有关 num_channels 的规则，请参见下文）。

关于标签格式的规则：

• 如果 label_mode 是 int，则标签是形状为 (batch_size,) 的 int32 张量。
• 如果 label_mode 是binary，则标签是形状为 (batch_size, 1) 的 1 和 0 的 float32 张量。
• 如果 label_mode 是categorial的，则标签是形状为 (batch_size, num_classes) 的 float32 张量，表示类索引的one-hot编码。

关于生成图像中通道数的规则：

• 如果 color_mode 是 grayscale（灰度图），则图像张量中有 1 个通道。
• 如果 color_mode 为 rgb，则图像张量中有 3 个通道。
• 如果 color_mode 是 rgba，则图像张量中有 4 个通道。

非常需要注意的事：目录位置不能是当前图像的文件夹

我图像存在了项目下的img中，但是此时如果我将

D:\Python_Subject\load_local_datasets\img 作为目录

importtensorflowastf

datasets=tf.keras.preprocessing.image_dataset_from_directory(
directory="D:/Python_Subject/load_local_datasets/img",
batch_size=1,
shuffle=False,
)

结果就是找不到图片

但是我将地址修改为

D:\Python_Subject\load_local_datasets

importtensorflowastf

datasets=tf.keras.preprocessing.image_dataset_from_directory(
directory="D:/Python_Subject/load_local_datasets",
batch_size=1,
shuffle=False,
)

便成功了