我目前正在学习FrançoisChollet撰写的“使用Keras进行深度学习”中的Keras ImageDataGenerator执行数据增强。
我现在在训练数据集中有1000张（狗）和1000张（猫）图像。
我在验证数据集中也有500张（狗）和500张（猫）图像。
本书将生成器中的训练和验证数据的批次大小定义为32，以使用“ step_per_epoch”和“ epoch”两者进行数据扩充以拟合模型。
但是，当我训练模型时，我收到了Tensorflow警告，“您的输入数据已用完...”并停止了训练过程。
我在网上搜索过，很多解决方案都提到step_per_epoch应该是steps_per_epoch = len(train_dataset) // batch_size＆steps_per_epoch = len(validation_dataset) // batch_size
我了解上述逻辑，培训中没有警告。
但是我想知道，最初我有2000个训练样本。这太少了，因此我需要执行数据增强以增加训练图像的数量。如果steps_per_epoch = len(train_dataset) // batch_size应用，则由于len(train_dataset)仅是2000。不是不是我仍在使用2000个样本来训练模型，而不是向模型添加更多的增强图像？
train_datagen = ImageDataGenerator(
rescale=1./255,
rotation_range=40,
width_shift_range=0.2,
height_shift_range=0.2,
shear_range=0.2,
zoom_range=0.2,
horizontal_flip=True,)
test_datagen = ImageDataGenerator(rescale=1./255)
train_generator = train_datagen.flow_from_directory(
train_dir,
target_size=(150, 150),
batch_size=32,
class_mode='binary')
validation_generator = test_datagen.flow_from_directory(
validation_dir,
target_size=(150, 150),
batch_size=32,
class_mode='binary')
history = model.fit_generator(
train_generator,
steps_per_epoch=100,
epochs=100,
validation_data=validation_generator,
validation_steps=50)
imagedatagenerator不会增加训练集的大小这一事实。所有扩充都在内存中完成。因此，将原始图像随机扩充，然后返回其扩充版本。如果要查看增强图像，则需要为flow_from_directory函数设置以下参数：
save_to_dir=path,
save_prefix="",
save_format="png",
现在您有2000张图像，批处理大小为32，则每个时代将有2000 // 32 = 62步，但是您尝试的100步是导致错误的原因。如果要使用所有数据点，则应设置：
steps_per_epoch = len(train_dataset) // batch_size
本文收集自互联网，转载请注明来源。
如有侵权，请联系[email protected] 删除。
我来说两句