官方文档直达

代码

# Data augmentation
train_datagen = tf.keras.preprocessing.image.ImageDataGenerator(
    rotation_range=20, 
    width_shift_range=0.1, # Shift picture
    height_shift_range=0.1,
    horizontal_flip=True, # Might has flip picture but there is no upside down thing
    fill_mode='nearest') # Fill missing pixels

valid_datagen = tf.keras.preprocessing.image.ImageDataGenerator(
    horizontal_flip=True, fill_mode='nearest')

train_gen = train_datagen.flow(X_train, y_train_cate, batch_size=256)
valid_gen = valid_datagen.flow(X_valid, y_valid_cate, batch_size=256)

print(len(train_gen))
print(len(valid_gen))

注意

使用图像增强后，数据来自生成器，在model.fit()方法中要使用steps_per_epoch而不是batch_size。model.fit()代码如下：

# Change learning_rate auto
reduce_lr = tf.keras.callbacks.ReduceLROnPlateau(monitor='val_loss', patience=10, mode='auto')

# Checkpoint
checkpoint_path = "training_1/cp.ckpt"
checkpoint_dir = os.path.dirname(checkpoint_path)

# Create a callback that saves the model's weights
cp_callback = tf.keras.callbacks.ModelCheckpoint(filepath=checkpoint_path,
                                                 save_weights_only=True,
                                                 verbose=1)

earlystopping = EarlyStopping(monitor='val_accuracy', verbose=1, patience=30)

# Train the model with the new callback
history = model_vgg11.fit(train_gen, 
                    validation_data=valid_gen, 
                    epochs=200,
                    # Not specify the batch_size since data is from generators (since they generate batches)
                    steps_per_epoch=len(train_gen), # Total number of steps (batches of samples) before a epoch finished, 
                                                    # default is the number of samples (50000) divided by the batch size (32)
                    validation_steps=len(valid_gen),
                    callbacks=[cp_callback, reduce_lr, earlystopping]) # callbacks=[cp_callback] Pass callback to training

使用图像增强的原因

使用图像增强的原因要具体数据具体分析，考虑到CIFAR-100中每个子类只有500张图像，我们使用数据增强来增加输入图像；
当我们没有足够的训练图像时，这也是一个很好的方法来减少过拟合；
还考虑到日常生活中一些可能的输入图像，例如可能会输入翻转、旋转或移动后的图像，使用图像增强后可以提高训练集的质量。

测试ImageDataGenerator对象的flow方法中batch_size参数

在ImageDataGenerator对象的flow方法中有一个batch_size参数，batch_size越小，flow方法生成的迭代器的长度 (len(train_gen)) 就越长。

我想知道这个参数是如何影响准确率的，调整了两个参数：

ImageDataGenerator对象的flow方法中的batch_size

train_gen = train_datagen.flow(X_train, y_train_cate, batch_size=256)

model.fit方法中的steps_per_epoch (这里先不解释这个参数，具体在 VGGNet实现CIFAR-100图像识别-3 这篇博文中解释)

history = model_vgg19.fit(train_gen, 
                    validation_data=valid_gen, 
                    epochs=200,
                    steps_per_epoch=352,
                    validation_steps=40,
                    callbacks=[reduce_lr, earlystopping])

做了如下测试：

测试	batch_size	len(train_gen)	steps_per_epoch	测试集上的准确率
测试1	128	352	352	0.5536
测试2	64	704	352	0.5404
测试3	64	704	704	0.5626
测试4	32	1407	352	0.5045
测试5	32	1407	1407	0.5955

从测试1，2，4中可以看出，在steps_per_epoch固定的情况下，batch_size越大准确率越高，但是影响不是很大。从测试2，3和测试4，5这两组测试可以看出，在batch_size固定的情况下，steps_per_epoch越大准确率越高。

总的来说，递增趋势，但是影响不大，这个参数没有什么调整的价值。但是这个结果仅仅是从我的几次测试总结出来的，只适用于这个数据和这个网络模型，并无普适性。

但是在len(train_gen)<steps_per_epoch，会有如下警告：
WARNING:tensorflow:Your input ran out of data; interrupting training. Make sure that your dataset or generator can generate at least steps_per_epoch * epochs batches (in this case, 40 batches). You may need to use the repeat() function when building your dataset.

意思就是一定要len(train_gen)>steps_per_epoch，那么如果想用更大的steps_per_epoch去提高准确率的话，就只能在ImageDataGenerator对象的flow方法中使用更小的batch_size了。

具体分析ImageDataGenerator对象的flow方法 (转载)

分析可得，ImageDataGenerator对象的flow方法，对输入数据（imgs,ylabel）打乱（默认参数，可设置）后，依次取batch_size的图片并逐一进行变换。取完后再循环。伪代码如下

————————————————
版权声明：本文为CSDN博主「lsh呵呵」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/nima1994/article/details/80625938

ImageDataGenerator.flow#生成的是一个迭代器，可直接用于for循环
batch_size如果小于X的第一维m，next生成的多维矩阵的第一维是为batch_size，输出是从输入中随机选取batch_size个数据
batch_size如果大于X的第一维m，next生成的多维矩阵的第一维是m，输出是m个数据，不过顺序随机，输出的X，Y是一一对对应的
如果要直接用于tf.placeholder()，要求生成的矩阵和要与tf.placeholder相匹配 ————————————————
版权声明：本文为CSDN博主「liming89」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/liming89/article/details/110506982