Puede usar ImageDataGenerator de Keras (biblioteca de aprendizaje profundo de alto nivel construida sobre Tensorflow). Tienes que almacenar cada clase en carpetas separadas:
imágenes / tren / c0
imágenes / tren / c1
…
images / test / c0
imágenes / prueba / c1
…
- Árboles de decisión: ¿Cómo podar un CARRITO?
- ¿La IA y el aprendizaje automático implican mucha codificación?
- ¿Hay algún solucionador que minimice la función objetivo [matemática] f (x) = \ matemática {e} ^ x [/ matemática] donde [matemática] x> 0 [/ matemática]?
- ¿Es el modelo de análisis factorial una versión multivariada del modelo de mezcla gaussiana?
- ¿Qué significa que una modelo se sobreajuste?
Este generador de lotes es fácil de usar. Y puede agregar muchos métodos de aumento de datos (realizados sobre la marcha):
from keras.preprocessing.image import ImageDataGenerator datagen = ImageDataGenerator ( reescalar = 1. / 255, shear_range = 0.2, zoom_range = 0.2, horizontal_flip = True) train_generator = datagen.flow_from_directory ( 'datos / tren', target_size = (150, 150), batch_size = 32, class_mode = 'categórico' para ello en rango (NB_ITERATIONS): # obtener un nuevo lote para entrenamiento # manejar nueva época y barajar lote_x, lote_y = train_generator.next () _ = sess.run ([train_op, precisión], feed = {x: batch_x, y: batch_y}) # agregar un generador_prueba?
[Código fuente] (fchollet / keras) es fácil de entender.
Para que pueda ajustarlo, para agregar nuevos métodos de aumento de datos (específicos para su dominio). O puede agregar archivos de entrada más complejos (HDF5, LMDB, …) con E / S paralelas rápidas.