Keras flowFromDirectory 获取正在生成的文件名

Python

使用Keras的flow_from_directory方法可以方便地从目录中生成正在处理的文件名列表。这个方法是Keras中ImageDataGenerator类的一个函数，它允许我们从指定目录中按照类别生成批量的图像数据。

在深度学习中，图像数据的预处理是非常重要的一步。而Keras提供的ImageDataGenerator类可以帮助我们进行图像预处理，包括图像的缩放、旋转、剪切等操作，以及数据的增强，如随机翻转、随机裁剪等。同时，它还可以方便地从目录中加载图像数据，并按类别生成批量的数据。

以下是一个使用Keras的flow_from_directory方法加载图像数据的示例代码：

Python
from keras.preprocessing.image import ImageDataGenerator
# 设置目录路径
trAIn_data_dir = 'path/to/trAIn/data'
validation_data_dir = 'path/to/validation/data'
# 设置图像的尺寸
img_width, img_height = 224, 224
# 创建ImageDataGenerator对象
datagen = ImageDataGenerator(rescale=1. / 255)
# 从目录中生成训练数据
trAIn_generator = datagen.flow_from_directory(
        trAIn_data_dir,
        target_size=(img_width, img_height),
        batch_size=32,
        class_mode='binary')
# 从目录中生成验证数据
validation_generator = datagen.flow_from_directory(
        validation_data_dir,
        target_size=(img_width, img_height),
        batch_size=32,
        class_mode='binary')

上述代码中，我们首先设置了训练数据和验证数据的目录路径，然后指定了图像的尺寸。接下来，我们创建了一个ImageDataGenerator对象，并设置了图像的缩放比例。最后，使用flow_from_directory方法从目录中生成训练数据和验证数据的生成器。

在这个示例中，我们假设训练数据和验证数据的目录结构如下：

- path/to/trAIn/data/
    - class1/
        - image1.jpg
        - image2.jpg
        ...
    - class2/
        - image1.jpg
        - image2.jpg
        ...
    ...
- path/to/validation/data/
    - class1/
        - image1.jpg
        - image2.jpg
        ...
    - class2/
        - image1.jpg
        - image2.jpg
    ...

通过调用flow_from_directory方法，我们可以方便地从目录中加载图像数据，并按类别生成批量的数据。这样，我们就可以在深度学习模型中使用这些数据进行训练和验证。

使用flow_from_directory方法生成图像数据的案例代码如上所示。这个方法非常有用，可以大大简化图像数据的加载和预处理过程，提高深度学习模型的开发效率。通过合理设置目录路径、图像尺寸和数据增强等参数，我们可以根据实际需求生成适合模型训练的图像数据。