我对Keras很新.我训练了一个模型,并希望预测存储在子文件夹中的一些图像(比如用于训练).为了测试,我想预测7个类(子文件夹)中的2个图像.下面的test_generator可以看到14张图片,但我得到了196张预测.哪里出错了？非常感谢!
test_datagen = ImageDataGenerator(rescale=1./255)
test_generator = test_datagen.flow_from_directory(
test_dir,
target_size=(200, 200),
color_mode="rgb",
shuffle = "false",
class_mode='categorical')
filenames = test_generator.filenames
nb_samples = len(filenames)
predict = model.predict_generator(test_generator,nb_samples)
我想在Keras中使用Image augmentation.我当前的代码如下所示:
# define image augmentations
train_datagen = ImageDataGenerator(
featurewise_center=True,
featurewise_std_normalization=True,
zca_whitening=True)
# generate image batches from directory
train_datagen.flow_from_directory(train_dir)
当我用这个运行模型时,我收到以下错误:
"ImageDataGenerator specifies `featurewise_std_normalization`, but it hasn't been fit on any training data."
但我没有找到有关如何使用明确的信息train_dataget.fit()一起flow_from_directory.
谢谢您的帮助.马里奥
我正在使用Keras训练图像分类CNN.使用该ImageDataGenerator功能,我将一些随机变换应用于训练图像(例如旋转,剪切,缩放).我的理解是,这些转换在传递给模型之前随机应用于每个图像.
但有些事情我不清楚:
1)如何在训练时确保包含图像的特定旋转(例如90°,180°,270°).
2)steps_per_epoch参数model.fit_generator应设置为数据集的唯一样本数除以flow_from_directory方法中定义的批量大小.当使用上述图像增强方法时,这是否仍然适用,因为它们增加了训练图像的数量？
谢谢,马里奥