tensorflow2.0——图像增强的训练相关代码

(x,y),(x_test,y_test) = tf.keras.datasets.cifar10.load_data()
x = x/255.
x = tf.cast(x,tf.float32)
x_test = x_test/255.
x_test = tf.cast(x_test,tf.float32)

y = tf.one_hot(y,depth=10)
y=tf.squeeze(y)
y_test = tf.one_hot(y_test,depth=10)
y_test=tf.squeeze(y_test)

datagen = tf.keras.preprocessing.image.ImageDataGenerator(
        # 在数据集上将“输入平均值”设置为0
        featurewise_center=False,
        # 将每个样本的平均值设置为0
        samplewise_center=False,
        # 将输入除以数据集的标准
        featurewise_std_normalization=False,
        # 将每个输入除以其标准
        samplewise_std_normalization=False,
        # apply ZCA whitening
        zca_whitening=False,
        # epsilon for ZCA whitening
        zca_epsilon=1e-06,
        # 在范围内（0度到180度）随机旋转图像
        rotation_range=0,
        # 随机水平移动图像
        width_shift_range=0.1,
        # 随机垂直移动图像
        height_shift_range=0.1,
        # 随机剪切设定范围
        shear_range=0.,
        # 设置随机缩放范围
        zoom_range=0.,
        # 设置随机信道移位的范围
        channel_shift_range=0.,
        # 设置输入边界外填充点的模式
        fill_mode='nearest',
        # 用于填充模式的值=“常量”
        cval=0.,
        # 随机翻转图像
        horizontal_flip=True,
        # 随机翻转图像
        vertical_flip=False,
        # 设置重缩放因子（在任何其他变换之前应用）
        rescale=None,
        # 设置将应用于每个输入的函数
        preprocessing_function=None,
        # 图像数据格式，可以是“频道优先”或“频道最后”
        data_format=None,
        # 保留用于验证的图像的分数（严格介于0和1之间）
        validation_split=0.0)

datagen.fit(x) res_model = resnet18() res_model.compile(optimizer=opt,loss=tf.keras.losses.CategoricalCrossentropy(from_logits=True),metrics=['accuracy']) # res_model.fit(x,y,validation_data=(x_test,y_test),epochs=epochs,batch_size=bat, validation_freq=1) res_model.fit_generator(datagen.flow(x,y,batch_size=bat),validation_data=(x_test,y_test),epochs=epochs, validation_freq=1)