【612】深度学习模型相关问题

基本概念

参考：keras使用中fit_generator的一些问题

参考：keras.utils.Sequence生成数据

参考：手工编写继承KERAS.UTILS.SEQUENCE类的图像生成器

• 深度学习中的【训练集】、【验证集】、【测试集】

  • 训练集：可以比喻为课本，学生通过课本学习

  • 验证集：平时作业，可以了解学生的学习情况，从而可以调整对于课本讲授的方法调整

  • 测试集：期末考试，之前完全没见过的内容，看看学习效果

基本操作

• 打乱训练数据，同时保证训练数据与标签数据的打乱模式一样

  • random.Random(1).shuffle(training_data)

  • random.Random(1).shuffle(label_data)

  • 可以保证他们打乱的顺序是一致的，参数可以随便写　　

• numpy.expand_dims(arr, axis=2)

  • 增加 arr 的维度，适用于那种灰度图增加维度，或者神经网络输入维度固定，数据本身维度不够

  • 另外就是 arr 可以是 Image 格式的数据，因此就方便很多，reshape 需要时 numpy.array 才可以

图像处理

参考：PIL Tutorial

参考：Image.fromarray的用法（实现array到image的转换）

参考：Python PIL Image.new()用法及代码示例

参考：Python图像处理库PIL的ImageOps模块介绍

• keras.preprocessing.image.load_image()

  • 通过路径读取图片文件，返回的格式为 PIL Image

  • 默认为 RGB 格式，返回值形如：(160, 160, 3)

  • 灰度图的话需要设置 color_mode="grayscale"，返回值形如：(160, 160)

  • PIL Image 格式的数据直接赋值给 numpy.array 数组，即可以直接转为 numpy.array

• Image.open()

  • 通过路径读取图片文件，返回的格式为 PIL Image

  • 通过 numpy.array(img) 可以转为 numpy.array 格式

• cv2.imread()

  • 通过路径读取图片文件，返回值为 numpy.array

• PIL.ImageOps.autoconstrast(img)　　

  • 参考：Python图像处理库PIL的ImageOps模块介绍

  • 可以将 Image 格式的数据，直接扩展到 0~255

  • 例如，原始值为 0,1,2，会分别扩展为 0,127,255

  • 对于标签数据来说，本身分不清数字，扩展后可以清晰显示了