如何在Keras中应用旋转而不使用model.fit_发电机？

Question

我正在研究一个使用卷积神经网络的图像像素分类问题。 我的培训images的大小是128x128x3，并且 标签mask是128x128

我在Keras进行如下培训：

Xtrain, Xvalid, ytrain, yvalid = train_test_split(images, masks,test_size=0.3, random_state=567)

model.fit(Xtrain, ytrain, batch_size=32, epochs=20, verbose=1, shuffle=True, validation_data=(Xvalid, yvalid))

但是，我想对Xtrain和{}应用随机的2D旋转，它们的大小分别是128x128x3和{}。更具体地说，我想对每个epoch迭代应用这个旋转。在

目前，我想继续使用model.fit，而不是使用model.fit_generator，因为我知道数据扩充通常是使用.fit_generator完成的。在

所以本质上，我想循环model.fit，这样Xtrain和{}在每个历元中随机旋转。我是Python和Keras的新手，所以如果有可能的话，欢迎有任何见解。在

Answer 1

下面是一个使用ImageDataGenerator将输出保存到指定目录的示例，从而避免了使用model.fit_发电机. 在

from keras.preprocessing.image import ImageDataGenerator, array_to_img, img_to_array, load_img

datagen = ImageDataGenerator(
        rotation_range=40,
        width_shift_range=0.2,
        height_shift_range=0.2,
        shear_range=0.2,
        zoom_range=0.2,
        horizontal_flip=True,
        fill_mode='nearest')

img = load_img('data/train/cats/cat.0.jpg')  # this is a PIL image
x = img_to_array(img)  # this is a Numpy array with shape (3, 150, 150)
x = x.reshape((1,) + x.shape)  # this is a Numpy array with shape (1, 3, 150, 150)

# the .flow() command below generates batches of randomly transformed images
# and saves the results to the `preview/` directory
i = 0
for batch in datagen.flow(x, batch_size=1,
                          save_to_dir='preview', save_prefix='cat', save_format='jpeg'):
    i += 1
    if i > 20:
        break  # otherwise the generator would loop indefinitely

从这里拍摄：https://blog.keras.io/building-powerful-image-classification-models-using-very-little-data.html

您可以更改参数以适合您的用例，然后生成xu train和xu valid或其他数据集，然后加载到内存中并使用普通的old模型.拟合. 在