图像增强(image augmentation)

21年9月28日——吴恩达课程 图像增强

在课程的第一周，我们选择用2000个subset来训练dog ves cat的模型，得出的结果出现了过拟合，即训练的acc很高，但是在验证集上的acc不高，就说明数据量不够，如果数据本身很难很难采集的话，可以使用翻转、改变亮度、添加噪声等操作来扩充数据量。

这里补充一下，欠拟合一般是模型太过于简单导致的。
实际上对过拟合简单的解释就是数据量太少，我见过的东西就是训练集里的，遇到其他我没见过的就无法判别，即在验证集中表现不好。
在之前的模型中我们使用了ImageDataGenerator(rescale=1./255)这行代码将图像进行了标准化，标准化意义是使得图片更加可控更容易处理。这里其实我们已经用到了图像增强（image augmentation），接来下我们通过图像增强来扩充数据集。

其中，width_shift_range是指左右平移图像，shear_range指的是倾斜变形。


如上图就是倾斜变形。而zoom_range是缩放，不赘述。horizontal_flip指的是水平翻转。
以上我们就做到了图像增强。
具体代码就是：

train_datagen = ImageDataGenerator(
      rescale=1./255,
      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')

test_datagen = ImageDataGenerator(rescale=1./255)

经过各种处理，数据集得到了扩充。之后经过flow方法（为什么呢？）

# Flow training images in batches of 20 using train_datagen generator
train_generator = train_datagen.flow_from_directory(
        train_dir,  # This is the source directory for training images
        target_size=(150, 150),  # All images will be resized to 150x150
        batch_size=20,
        # Since we use binary_crossentropy loss, we need binary labels
        class_mode='binary')

# Flow validation images in batches of 20 using test_datagen generator
validation_generator = test_datagen.flow_from_directory(
        validation_dir,
        target_size=(150, 150),
        batch_size=20,
        class_mode='binary')

history = model.fit(
      train_generator,
      steps_per_epoch=100,  # 2000 images = batch_size * steps
      epochs=100,
      validation_data=validation_generator,
      validation_steps=50,  # 1000 images = batch_size * steps
      verbose=2)

最后训练模型。
这种方法可以解决因为数据集过小导致的过拟合。