指南：使用Keras和TensorFlow探索数据增强
数据扩充是一种用于通过使用裁剪、填充、翻转等技术来增加数据量的策略。
数据扩充使模型对较小的变化更鲁棒，因此可以防止模型过度拟合。将扩充后的数据存储在内存中既不实际也不高效，这就是Keras的Image Data Generator类（也包含在TensorFlow的高级API：tensorflow.keras中）发挥作用的地方。
Image Data Generator生成具有实时数据增强功能的批量tensor 图像数据。最好的部分是什么？只需一行代码！
生成器生成的输出图像将具有与输入图像相同的输出维度。下面是一个辅助脚本，我们将使用它来可视化显示使用Image Data Generator类可以实现的所有功能。
from tensorflow.keras.preprocessing.image import ImageDataGenerator
from matplotlib.pyplot import imread, imshow, subplots, show
def plot(data_generator):
"""
Plots 4 images generated by an object of the ImageDataGenerator class.
"""
data_generator.fit(images)
image_iterator = data_generator.flow(images)
# Plot the images given by the iterator
fig, rows = subplots(nrows=1, ncols=4, figsize=(18,18))
for row in rows:
row.imshow(image_iterator.next()[0].astype('int'))
row.axis('off')
show()
image = imread("image.jpeg")
# Creating a dataset which contains just one image.
images = image.reshape((1, image.shape[0], image.shape[1], image.shape[2]))
imshow(images[0])
show()
1.Rotation
data_generator = ImageDataGenerator(rotation_range=90)
plot(data_generator)
通过指定rotation_range，生成的数据可以随机旋转一个角度，范围为从+ rotation_range到-rotation_range（以度为单位）。
2.Width Shifting
data_generator = ImageDataGenerator(width_shift_range=0.3)
plot(data_generator)
width_shift_range是一个介于0.0到1.0之间的浮点数，它指定图像要向左或向右随机移动的总宽度分数的上限。
3.Height Shifting
data_generator = ImageDataGenerator(height_shift_range=0.3)
plot(data_generator)
就像宽度移动一样，只是图像是垂直移动而不是水平移动。
4.Brightness
data_generator = ImageDataGenerator(brightness_range=(0.1, 0.9))
plot(data_generator)
Brightness_range指定用于随机选择一个亮度偏移值的范围。0.0的亮度对应的是绝对没有亮度，而1.0对应的是最大亮度。
5.Shear Intensity
data_generator = ImageDataGenerator(shear_range=45.0)
plot(data_generator)
Shear Intensity使图像的形状倾斜。这与旋转不同，因为在Shear Intensity中，我们固定一根轴，将图像按照一定的角度进行拉伸，即Shear Intensity。这会在图像中产生某种“拉伸”，这在旋转中是无法看到的。 shear_range以度为单位指定倾斜角度。
6.Zoom
data_generator = ImageDataGenerator(zoom_range=[0.5, 1.5])
plot(data_generator)
通过zoom_range参数获得随机缩放。小于1.0的变焦会放大图像，而大于1.0的变焦会缩小图像。
7.Channel Shift
data_generator = ImageDataGenerator(channel_shift_range=150.0)
plot(data_generator)
Channel Shift将通道值随机移位一个随机值，该值是从channel_shift_range指定的范围中选择的。
8.Horizontal Flip
data_generator = ImageDataGenerator(horizontal_flip=True)
plot(data_generator)
generator将生成图像，这些图像将水平翻转。
9.Vertical Flip
data_generator = ImageDataGenerator(vertical_flip=True)
plot(data_generator)
除了水平翻转外，我们还可以应用垂直翻转。但是那些没有任何价值的点呢？
我们有几个选项，可以选择如何填充这些区域。
1.Nearest
这是默认选项，其中选择最接近的像素值并对所有空值重复该值。（例如，aaaaaaaa | abcd | dddddddd）
data_generator = ImageDataGenerator(width_shift_range=0.3, fill_mode='nearest')
plot(data_generator)2.Reflect
此模式会创建“反射”，并以与已知值相反的顺序填充空值。（例如abcddcba | abcd | dcbaabcd）
data_generator = ImageDataGenerator(width_shift_range=0.3, fill_mode='reflect')
plot(data_generator)
3.Wrap
除了反射效果，我们还可以通过将已知点的值复制到未知点中，从而保持顺序不变来创建“Wrap”效果。（例如abcdabcd | abcd | abcdabcd）
data_generator = ImageDataGenerator(width_shift_range=0.3, fill_mode='wrap')
plot(data_generator)
4.Constant
如果我们想用常数值填充输入边界之外的所有点，则此模式可以帮助我们准确地实现这一点。常量值由cval参数指定。
data_generator = ImageDataGenerator(width_shift_range=0.3,
fill_mode='constant',
cval=190)
plot(data_generator)
此外，还有一些其他好处。一些示例例如数据归零（featurewise_center，samplewise_center）和归一化（featurewise_std_normalization，samplewise_std_normalization）。可以通过将其布尔值传递给Image Data Generator类来设置这些变量。我们还可以通过指定rescale参数来对值进行重新缩放，该参数将与所有值相乘。
另外，还有一个参数preprocessing_function，您可以使用该参数指定自己的自定义函数来执行图像处理。
腾讯云开发者
