是一种方便的方法,用于从目录中加载图像数据集并将其转换为可用于训练和评估模型的TensorFlow数据集。
image_dataset_from_directory函数是TensorFlow中tf.keras.preprocessing.image模块中的一个函数。它可以根据指定的目录结构自动加载图像数据集,并将其转换为TensorFlow数据集对象。
使用image_dataset_from_directory函数加载图像数据集的步骤如下:
import tensorflow as tf
from tensorflow.keras.preprocessing.image import image_dataset_from_directory
dataset = image_dataset_from_directory(
directory, # 图像数据集的根目录
labels='inferred', # 类别标签的获取方式,'inferred'表示从子目录名称中获取
label_mode='int', # 类别标签的数据类型,'int'表示整数类型
image_size=(224, 224), # 图像的尺寸
batch_size=32, # 批量大小
shuffle=True, # 是否打乱数据集
seed=42, # 随机种子
validation_split=0.2, # 验证集的比例
subset='training' # 加载训练集或验证集,'training'表示加载训练集
)
参数说明:
model = tf.keras.applications.ResNet50() # 示例模型,可以根据需求选择其他模型
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
model.fit(dataset, epochs=10, validation_data=validation_dataset)
通过以上步骤,我们可以方便地使用image_dataset_from_directory函数加载图像数据集,并将其用于训练和评估模型。
推荐的腾讯云相关产品和产品介绍链接地址:
领取专属 10元无门槛券
手把手带您无忧上云