深度学习数据增强——扩充数据集

在深度学习过程中经常会因为数据量少而发生过拟合现象，或者模型的泛化能力比较低。基于此，本文讲一下图像的数据增强，就是通过对图像简答你的形变，用来应对因拍照的角度不同而使得图谱变形。tensorflow2给出了数据 增强的函数如下所示：

image_gen_train = rd.keras.preprocessing.image.ImageDataGenerator(
     rescale = 所有数据将乘以该数值
     rotation_range = 随机旋转角度数范围
     width_shift_range = 随机宽度偏移量
     height_shift_range = 随机高度偏移量
     水平反转：horizontal_flip = 是否随机水平翻转
     随机缩放：zoom_range = 随机缩放的范围[1-n,1+n]
)

image_gen_train.fit(x_train)

由于上面的fit（）函数需要输入一个四维的数据，因此需要进行一个reshape（）

例如对于手写数据集，是一个三维的（60000， 28， 28）60000张28行和28列的数据集需要转化位（60000， 28， 28， 1）转为60000张28行28列的单通道数据。即为：

x_train = x_train.reshape(x_train.shape[0],28，28，1)

因此这时候model.fit()也需要进行改进：

原来为：

model.fit(x_train, y_train, batch_size=32, .....)

需要改为：

model.fit(image_gen_train(x_train,y_train,batch_size =32), ....)

经过数据增强后对手数据进行识别程序和效果如下：

import tensorflow as tf
from tensorflow.keras.preprocessing.image import ImageDataGenerator

mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
x_train = x_train.reshape(x_train.shape[0], 28, 28, 1)  # 给数据增加一个维度，使数据和网络结构匹配

image_gen_train = ImageDataGenerator(
    rescale=1. / 1.,   # 如为图像，分母为255时，可归至0-1
    rotation_range=45,
    width_shift_range=.15,
    height_shift_range=.15,
    horizontal_flip=True,
    zoom_range=0.5
)

image_gen_train.fit(x_train)

model = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
])

model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
              metrics=['sparse_categorical_accuracy'])

model.fit(image_gen_train.flow(x_train, y_train, batch_size=32), epochs=5, validation_data=(x_test, y_test), validation_freq=1)

model.summary()