这两个函数通常用于从文件夹创建和加载深度学习数据集，它们有些相似，但又不同，只是函数参数和数据返回的类型不同。
[En]
These two functions are often used to create and load deep learning datasets from folders, somewhat similar, but different, except that the function parameters and the types of data returns are different.
1.flow_from_directory()
keras_preprocessing.image.image_data_generator.ImageDataGenerator.flow_from_directory()
def flow_from_directory(self,
directory: Any,
target_size: Tuple[int, int] = (256, 256),
color_mode: str = 'rgb',
classes: Any = None,
class_mode: str = 'categorical',
batch_size: int = 32,
shuffle: bool = True,
seed: Any = None,
save_to_dir: Any = None,
save_prefix: str = '',
save_format: str = 'png',
follow_links: bool = False,
subset: Any = None,
interpolation: str = 'nearest') -> DirectoryIterator
一个产生（x，y）元组的目录迭代器（DirectoryIterator）。
其中x是包含一批（batch_size，* target_size，channels）类型的图像的numpy数组，y是对应标签的numpy数组。
参数说明：
- 目录（directory）：字符串，目标目录的路径。每个类应该包含一个子目录。生成器中将包含每个子目录树中的任何PNG、JPG、BMP、PPM或TIF图像。有关详细信息，请参阅（https://gist.github.com/fchollet/0830affa1f7f19fd47b06d4cf89ed44d）。
- 目标大小（target_size）：整数的元组（高度、宽度）。默认值：（256，256）。将调整找到的所有图像的尺寸。
- 颜色_模式（color_mode）：”灰度”、”rgb”、”rgba”之一。默认值：”rgb”。是否将图像转换为具有1、3或4个通道。
- 类列表（classes）：类子目录的可选列表。（例如，”狗”、”猫”）。默认值：无。如果没有提供，将根据目录下的子目录名称/结构自动推断类列表，其中每个子目录将被视为不同的类（将映射到标签索引的类的顺序将是字母数字）。包含从类名到类索引的映射的字典可以通过属性class_indexes获得。
- 类模式：确定返回的标签数组的类型：”分类（”categorical”）”、”二进制（”binary”）”、”稀疏（”sparse”）”、”输入（”input”）”、”无（None）”模式之一。默认值：”分类”。
“categorial”则是2维one-hot编码标签；
“binary”则是一维二进制标签；
“sparse”是1维整数标签；
“input”是与输入图像相同的图像（主要用于自动编码器）；
None，则不会返回任何标签（生成器将只生成一批图像数据，与model.predict_generator（）一起使用非常有用）。请注意，在类模式为”无”的情况下，数据仍然需要驻留在目录的子目录中，以便它正常工作。
- 批次大小（batch_size）：数据批次的大小（默认值：32）。
- 随机播放（shuffle）：是否随机播放数据（默认值：True）。如果设置为False，则按字母数字顺序对数据进行排序。
- 种子（seed）：可选的随机种子，用于洗牌和转换。
- 保存路径（save_to_dir）:none或str（默认值：none）。这允许您选择指定一个目录，将生成的增强图片保存到该目录（对于可视化所做的操作很有用）。
- 保存前缀（save_prefix）: Str. Prefix用于保存图片的文件名（仅当设置了save_to_dir时才相关）。
- 保存格式（save_format）：”png”、”jpeg”之一（仅当设置了save_to_dir时才相关）。默认值：”png”。
- 跟随链接（follow_links）：是否跟随类子目录内的符号链接（默认值：False）。
- 子集（subset）：如果在ImageDataGenerator中设置了验证分割（validation_split），则为数据的子集（训练集”training” 或验证集”validation”）。
- 插值（interpolation）：当目标大小与加载的图像大小不同时，用于对图像重新采样的插值方法。支持的方法有最近邻”nearest”、双线性”bilinear”和双三次”bicubic”。如果安装了PIL版本1.1.3或更高版本，还支持”lanczos”。如果安装了PIL 3.4.0或更高版本，还支持”Box”和”Hamming”。默认情况下，使用”nearest”。
2.image_dataset_from_directory()
from tensorflow.keras.preprocessing import image_dataset_from_directory
tf.keras.preprocessing.image_dataset_from_directory(
directory,
labels="inferred",
label_mode="int",
class_names=None,
color_mode="rgb",
batch_size=32,
image_size=(256, 256),
shuffle=True,
seed=None,
validation_split=None,
subset=None,
interpolation="bilinear",
follow_links=False,
)
一个tf.data.Dataset对象。
- 如果label_mode为None，它将生成 float32张量，其 shape为 （batch_size, image_size[0], image_size(1), num_channels）,并对图像进行编码（有关 num_channels的规则，参见下文）。
- 否则，将生成一个元组 （images, labels），其中图像的 shape为 （batch_size, image_size[0], image_size(1), num_channels），并且 labels遵循下面描述的格式。
- 如果 label_mode 是 int, labels是形状为 （batch_size, ）的 int32张量
- 如果 label_mode是 binary, labels是形状为 （batch_size, 1）的1和0的 float32张量。
- 如果 label_mode是 categorial, labels是形状为 （batch_size, num_classes）的 float32张量，表示类索引的 one-hot编码。
color_mode 是 grayscale, 图像张量有 1个通道; color_mode 是 rgb, 图像张量有 3个通道; color_mode是 rgba, 图像张量有 4个通道。
Original: https://blog.csdn.net/soderayer/article/details/120259750
Author: 空中旋转篮球
Title: Tensorflow2中ImageDataGenerator中flow_from_directory()和image_dataset_from_directory()区别
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/514580/
转载文章受原作者版权保护。转载请注明原作者出处！