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.
