Python tf.keras.utils.image_dataset_from_directory用法及代码示例

参数

• directory 数据所在的目录。如果labels 是"inferred"，它应该包含子目录，每个子目录都包含一个类的图像。否则，目录结构将被忽略。
• labels "inferred"(从目录结构生成标签)、None(无标签)或与目录中找到的图像文件数量相同大小的整数标签列表/元组。标签应根据图像文件路径的字母数字顺序排序(通过 Python 中的os.walk(directory) 获得)。
• label_mode

  - 'int':means that the labels are encoded as integers
  (e.g. for `sparse_categorical_crossentropy` loss).

  • 'categorical' 表示标签被编码为分类向量(例如，对于 categorical_crossentropy 损失)。
  • 'binary' 表示标签(只能有 2 个)被编码为值为 0 或 1 的 float32 标量(例如，对于 binary_crossentropy )。
  • 无(无标签)。
• class_names 仅当 "labels" 为 "inferred" 时才有效。这是类名的显式列表(必须与子目录的名称匹配)。用于控制类的顺序(否则使用字母数字顺序)。
• color_mode "grayscale"、"rgb"、"rgba" 之一。默认值："rgb"。图像是否将转换为具有 1、3 或 4 个通道。
• batch_size 数据批次的大小。默认值：32。如果 None ，数据将不会被批处理(数据集将产生单个样本)。
• image_size 从磁盘读取图像后调整图像大小的大小。默认为 (256, 256) 。由于管道处理必须具有相同大小的批量图像，因此必须提供这一点。
• shuffle 是否打乱数据。默认值：真。如果设置为 False，则按字母数字顺序对数据进行排序。
• seed 用于洗牌和转换的可选随机种子。
• validation_split 0 到 1 之间的可选浮点数，保留用于验证的数据的一部分。
• subset "training" 或 "validation" 之一。仅在设置 validation_split 时使用。
• interpolation 字符串，调整图像大小时使用的插值方法。默认为 bilinear 。支持 bilinear , nearest , bicubic , area , lanczos3 , lanczos5 , gaussian , mitchellcubic 。
• follow_links 是否访问符号链接指向的子目录。默认为假。
• crop_to_aspect_ratio 如果为 True，则调整图像大小而不会出现纵横比失真。当原始纵横比与目标纵横比不同时，将裁剪输出图像以返回与目标纵横比匹配的图像(大小为image_size)中最大的可能窗口。默认情况下(crop_to_aspect_ratio=False)，可能不会保留纵横比。
• **kwargs 旧版关键字参数。

返回

• A tf.data.Dataset对象。
  • 如果 label_mode 为 None，它会产生形状为 (batch_size, image_size[0], image_size[1], num_channels) 的 float32 张量，对图像进行编码(有关 num_channels 的规则，请参见下文)。
  • 否则，它会产生一个元组 (images, labels) ，其中 images 具有形状 (batch_size, image_size[0], image_size[1], num_channels) ，并且 labels 遵循下面说明的格式。