當(dāng)我們沒(méi)有大量不同的訓(xùn)練數(shù)據(jù)時(shí)，我們?cè)撛趺崔k？這是在TensorFlow中使用數(shù)據(jù)增強(qiáng)在模型訓(xùn)練期間執(zhí)行內(nèi)存中圖像轉(zhuǎn)換以幫助克服此數(shù)據(jù)障礙的快速介紹。

圖像分類的成功至少在很大程度上受到大量可用訓(xùn)練數(shù)據(jù)的驅(qū)動(dòng)。暫時(shí)不考慮過(guò)擬合之類的問(wèn)題，訓(xùn)練的圖像數(shù)據(jù)越多，建立有效模型的機(jī)會(huì)就越大。

但是，如果我們沒(méi)有大量的培訓(xùn)數(shù)據(jù)，我們?cè)撛趺崔k？立即想到一些針對(duì)此特定問(wèn)題的廣泛方法，尤其是遷移學(xué)習(xí)和數(shù)據(jù)增強(qiáng)功能。

遷移學(xué)習(xí)是將現(xiàn)有機(jī)器學(xué)習(xí)模型應(yīng)用于最初并非預(yù)期的場(chǎng)景的過(guò)程。這種利用可以節(jié)省訓(xùn)練時(shí)間并擴(kuò)展現(xiàn)有機(jī)器學(xué)習(xí)模型的實(shí)用性，這些模型可能具有可用的數(shù)據(jù)和計(jì)算，并且已經(jīng)在非常大的數(shù)據(jù)集上進(jìn)行了很長(zhǎng)時(shí)間的訓(xùn)練。如果我們?cè)诖罅繑?shù)據(jù)上訓(xùn)練模型，則可以優(yōu)化結(jié)果以對(duì)少量數(shù)據(jù)有效。

數(shù)據(jù)擴(kuò)充是現(xiàn)有訓(xùn)練數(shù)據(jù)集的大小和多樣性的增加，而無(wú)需手動(dòng)收集任何新數(shù)據(jù)。通過(guò)對(duì)現(xiàn)有數(shù)據(jù)執(zhí)行一系列預(yù)處理轉(zhuǎn)換，可以獲取此增強(qiáng)數(shù)據(jù)，對(duì)于圖像數(shù)據(jù)，這些轉(zhuǎn)換可以包括水平和垂直翻轉(zhuǎn)，傾斜，修剪，旋轉(zhuǎn)等?？偠灾?，與僅復(fù)制相同的數(shù)據(jù)相反，這種擴(kuò)充的數(shù)據(jù)能夠模擬各種細(xì)微不同的數(shù)據(jù)點(diǎn)。這些“附加”圖像的細(xì)微差別應(yīng)該足以幫助訓(xùn)練更魯棒的模型。同樣，這就是想法。

本文的重點(diǎn)是在TensorFlow中第二種方法的實(shí)際實(shí)施，以減輕少量圖像訓(xùn)練數(shù)據(jù)（數(shù)據(jù)增強(qiáng)）的問(wèn)題，而稍后將對(duì)轉(zhuǎn)移學(xué)習(xí)進(jìn)行類似的實(shí)際處理。

圖像增強(qiáng)如何幫助

當(dāng)卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)圖像特征時(shí)，我們希望確保這些特征以各種方向出現(xiàn)，以便使經(jīng)過(guò)訓(xùn)練的模型能夠識(shí)別出人的雙腿可以同時(shí)出現(xiàn)在圖像的垂直和水平方向。除了增加數(shù)據(jù)點(diǎn)的原始數(shù)量之外，增強(qiáng)功能在這種情況下還可以通過(guò)采用諸如圖像旋轉(zhuǎn)的變換來(lái)幫助我們。作為另一個(gè)示例，我們還可以使用水平翻轉(zhuǎn)來(lái)幫助模型訓(xùn)練識(shí)別貓是直立的貓還是被倒置拍照的貓。

數(shù)據(jù)增強(qiáng)不是萬(wàn)能藥；我們不希望它能解決我們所有的小數(shù)據(jù)問(wèn)題，但是它可以在許多情況下有效，并且可以通過(guò)將其作為一種全面的模型訓(xùn)練方法的一部分，或者與另一種數(shù)據(jù)集擴(kuò)展技術(shù)（例如，轉(zhuǎn)移學(xué)習(xí)）

TensorFlow中的圖像增強(qiáng)

在TensorFlow中，使用ImageDataGenerator類完成數(shù)據(jù)擴(kuò)充。它非常易于理解和使用。整個(gè)數(shù)據(jù)集在每個(gè)時(shí)期循環(huán)，并且數(shù)據(jù)集中的圖像根據(jù)選擇的選項(xiàng)和值進(jìn)行轉(zhuǎn)換。這些轉(zhuǎn)換是在內(nèi)存中執(zhí)行的，因此不需要其他存儲(chǔ)（盡管save_to_dir如果需要，該參數(shù)可用于將增強(qiáng)的圖像保存到磁盤）。

如果您正在使用TensorFlow，則可能已經(jīng)使用了ImageDataGenerator簡(jiǎn)單的方法來(lái)縮放現(xiàn)有圖像，而沒(méi)有進(jìn)行任何其他擴(kuò)充?？赡芸雌饋?lái)像這樣：

ImageDataGenerator執(zhí)行增強(qiáng)的更新可能如下所示：

這是什么意思呢？

**rotation/_range**-隨機(jī)旋轉(zhuǎn)的度數(shù)范圍；在上述示例中為20度

**width/_shift/_range**-總寬度的一部分（如果值<1，在這種情況下），以隨機(jī)地水平轉(zhuǎn)換圖像；上例中為0.2

**height/_shift/_range**-總高度的一部分（如果值<1，在這種情況下），以垂直方向隨機(jī)平移圖像；上例中為0.2

**shear/_range**-逆時(shí)針?lè)较虻募羟薪牵远葹閱挝?，用于剪切轉(zhuǎn)換；上例中為0.2

**zoom/_range**-隨機(jī)縮放范圍；上例中為0.2

**horizontal/_flip**-用于水平隨機(jī)翻轉(zhuǎn)圖像的布爾值；在上面的例子中為真

**vertical/_flip**-布爾值，用于垂直隨機(jī)翻轉(zhuǎn)圖像；在上面的例子中為真

**fill/_mode**-根據(jù)“常數(shù)”，“最近”，“反射”或“環(huán)繞”填充輸入邊界之外的點(diǎn)；在以上示例中最接近

然后，您可以使用該ImageDataGeneratorflow_from_directory選項(xiàng)指定訓(xùn)練數(shù)據(jù)的位置（以及選擇是否進(jìn)行驗(yàn)證，如果要?jiǎng)?chuàng)建驗(yàn)證生成器），例如，使用選項(xiàng)，然后使用fit_generator在訓(xùn)練過(guò)程中流向您網(wǎng)絡(luò)的這些增強(qiáng)圖像來(lái)訓(xùn)練模型。此類代碼的示例如下所示：

審核編輯 黃昊宇