网站建设备案是什么意思,网站代码语法,app推广软件,做教育门户网站法律风险系列文章目录
计算机视觉入门 1#xff09;卷积分类器计算机视觉入门 2#xff09;卷积和ReLU计算机视觉入门 3#xff09;最大池化计算机视觉入门 4#xff09;滑动窗口计算机视觉入门 5#xff09;自定义卷积网络计算机视觉入门 6#xff09; 数据集增强#xff08;D…系列文章目录
计算机视觉入门 1卷积分类器计算机视觉入门 2卷积和ReLU计算机视觉入门 3最大池化计算机视觉入门 4滑动窗口计算机视觉入门 5自定义卷积网络计算机视觉入门 6 数据集增强Data Augmentation 提示仅为个人学习笔记分享若有错漏请各位老师同学指出Thanks♪(ω) 目录 系列文章目录一、数据集增强Data Augmentation伪造数据使用数据增强 二、【代码实现】Keras 预处理层类型将预处理层添加到模型中 一、数据集增强Data Augmentation
伪造数据
提高机器学习模型性能的最佳方法是在更多数据上进行训练。模型有更多的示例可供学习它将能够更好地识别图像中的哪些差异是重要的哪些是不重要的。更多的数据有助于模型更好地泛化。
但是在实践中我们拥有的数据量是有限的。
获取更多数据的一种简单方法是使用已经拥有的数据创建假数据。如果我们能够以保持类别不变的方式转换数据集中的图像我们可以教会分类器忽略这些类型的变换。例如照片中的汽车是面向左还是面向右并不会改变它是汽车而不是卡车的事实。因此如果我们使用翻转图像来增强我们的训练数据我们的分类器将学会忽略“左或右”是它应该忽略的差异。
这就是数据增强背后的整个思想添加一些看起来合理像真实数据的额外伪造数据从而提高分类器的性能。
使用数据增强
通常在增强数据集时会使用许多种类型的转换。这些可能包括旋转图像、调整颜色或对比度、扭曲图像或许多其他事情通常以组合方式应用。以下是一张图像可能经过的不同转换的示例。 数据增强通常是在线进行的意味着在图像被馈送到网络进行训练时进行。回想一下训练通常是在小批量数据上进行的。当使用数据增强时以下是批量包含16个图像的示例。
每次在训练期间使用图像时都会应用一种新的随机变换。这样模型始终会看到与以前略有不同的内容。训练数据中的这种额外变化有助于模型适应新数据。
然而需要记住使用的任何变换都不应该混淆类别。例如旋转图像会混淆 ‘9’ 和 ‘6’‘b’和‘d’ 也并不适合水平翻转。不是每种变换都对特定问题有用。
二、【代码实现】
Keras 预处理层类型
Keras提供了两种方式对数据进行增强。
第一种方法是在数据流水线中使用类似于ImageDataGenerator的函数包含增强功能。第二种方法是通过使用Keras的预处理层将其包含在模型定义中。这就是我们将采取的方法。对我们来说主要优点是图像变换将在GPU上计算而不是在CPU上计算这可能加快训练过程。
# 所有的 factor 参数表示百分比变化
augment keras.Sequential([# preprocessing.RandomContrast(factor0.5),preprocessing.RandomFlip(modehorizontal), # 水平翻转# preprocessing.RandomFlip(modevertical), # 垂直翻转# preprocessing.RandomWidth(factor0.15), # 水平拉伸# preprocessing.RandomRotation(factor0.20), # 随机旋转# preprocessing.RandomTranslation(height_factor0.1, width_factor0.1), # 随机平移
])将预处理层添加到模型中
这里我们跳过步骤1导入数据直接在定义模型中添加一些简单的变换展示如何使用数据集增强这个工具。
from tensorflow import keras
from tensorflow.keras import layers
from tensorflow.keras.layers.experimental import preprocessing# 导入预训练模型
pretrained_base tf.keras.models.load_model(../input/cv-course-models/cv-course-models/vgg16-pretrained-base,
)
pretrained_base.trainable Falsemodel keras.Sequential([# 预处理preprocessing.RandomFlip(horizontal), # 左右翻转preprocessing.RandomContrast(0.5), # 对比度最多变化50%# 基础pretrained_base,# 头部layers.Flatten(),layers.Dense(6, activationrelu),layers.Dense(1, activationsigmoid),
])
