资料集预处理
1.1 ImageDataGenerator
1.2 flow_from_directory
Callbacks API
2.1 EarlyStopping
2.2 ModelCheckpoint
2.3 Callbacks
资料集预处理
1.1 简介:
1.2 ImageDataGenerator
# 设定批量生成器
train_datagen = ImageDataGenerator(rescale=1./255,
rotation_range=20,
width_shift_range=0.2,
height_shift_range=0.2,
shear_range=0.2,
zoom_range=0.5,
fill_mode="nearest")
val_datagen = ImageDataGenerator(rescale=1./255)
test_datagen = ImageDataGenerator(rescale=1./255)
参数说明
1.3 flow_from_directory
# 读取资料集+批量生成器,产生每epoch训练样本
train_generator = train_datagen.flow_from_directory(train_dir,
target_size=target_size,
batch_size=batch_size)
valid_generator = val_datagen.flow_from_directory(valid_dir,
target_size=target_size,
batch_size=batch_size)
test_generator = test_datagen.flow_from_directory(test_dir,
target_size=target_size,
batch_size=batch_size,
shuffle=False)
参数说明:
预训练模型种类
2.1 简介:
2.2 EarlyStopping
# 设定earlystop条件
estop = EarlyStopping(monitor='val_loss', patience=10,
mode='min', verbose=1)
参数说明:
2.3 ModelCheckpoint
# 设定模型储存条件(储存最佳模型)
checkpoint = ModelCheckpoint('Densenet201_checkpoint_v2.h5', verbose=1,
monitor='val_loss', save_best_only=True,
mode='min')
参数说明:
2.4 Callbacks
# 重新训练模型权重(以callbacks呼叫checkpoint、estop、reduce_lr)
history = model.fit_generator(train_generator,
epochs=500, verbose=1,
steps_per_epoch=train_generator.samples//batch_size,
validation_data=valid_generator,
validation_steps=valid_generator.samples//batch_size,
callbacks=[checkpoint, estop, reduce_lr])
参数说明:
steps_per_epoch = 资料集样本数 除以 batch size
下一章,目标是:「和大家简单介绍Learning rate,并比较3种Learning rate的策略与优劣」。
让我们继续看下去...
<<: JavaScript | By value V.S. By reference(传值 V.S. 传参考)
回归分析 回归分析的主要目的是为了探讨一个或多个自变数和一个因变数间的关系,利用方程序来解释资料或预...
今天是30天程序语言研究的第三天,研究的语言是python,今天主要学习的部分是如何制作一个简易的加...
上一篇介绍 firestore CRUD 的各种方式,今天要来介绍进阶的查询资料方式,利用条件去过滤...
今天终於来到 UML 的最後一篇了,要来接着把没介绍到的常见 UI 元件介绍完,那就废话不罗唆直接...
Swagger刚开始可以将其理解成网页版本的postman 我们可以对其测试发送资料看回传结果 在预...