小编Fal*_*nUA的帖子

我正在 Tensorflow 中训练一个模型，我想实现一个有效的在线数据增强，我希望它工作得足够快，这样它就不会成为训练的瓶颈（这样数据就会更快地馈送到 GPU比模型在 GPU 上的前后循环）。然而，我以前有过使用 Keras 的经验，它ImageDataGenerator似乎工作得非常整洁。所以我的问题是：

我应该使用 KerasImageDataGenerator吗，仅仅因为它的？它是否比我使用 OpenCV 可能实现的更快（考虑到 Keras 缺少一些我可能需要的功能，但我不确定我是否真的需要它们）？

或者，如果您不能肯定地回答，请分享您的数据增强优化经验。如果您曾经对类似的东西进行过基准测试（比较速度性能），也请分享。任何帮助表示赞赏。提前致谢。

PS：数据是从硬盘加载的。

这一层是静态的，它是一个伪函数。在前向传播中，它不做任何事情（身份函数）。然而，在反向传播中，它将梯度乘以 -1。github 上有很多实现，但它们不适用于 TF 2.0。

这里有一份供参考。

import tensorflow as tf
from tensorflow.python.framework import ops

class FlipGradientBuilder(object):
    def __init__(self):
        self.num_calls = 0

    def __call__(self, x, l=1.0):
        grad_name = "FlipGradient%d" % self.num_calls
        @ops.RegisterGradient(grad_name)
        def _flip_gradients(op, grad):
            return [tf.negative(grad) * l]

        g = tf.get_default_graph()
        with g.gradient_override_map({"Identity": grad_name}):
            y = tf.identity(x)

        self.num_calls += 1
        return y

flip_gradient = FlipGradientBuilder()

在 Keras 中，有一个用于 SGD 的 Adadelta 优化器，如下所示：

optimizer = optimizers.Adadelta(lr=1.0, rho=0.95, epsilon=None, decay=0.0)

这是文档：https : //keras.io/optimizers/#adadelta 但正如我们所知，Adadelta 不使用任何学习率。那么lr有什么用呢？

我的模型是用这段代码编译的

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['sparse_categorical_accuracy'])

在训练过程中，我遇到了这个错误

tensorflow.python.framework.errors_impl.InvalidArgumentError：收到标签值 5，该值超出了 [0, 5) 的有效范围。

我的标签是1,2,3,4,5哪个[1,5]不是[0, 5)。如何为该模型设置标签？