Keras 使用_目录中的flow_进行培训和验证，无需扩充

我正在训练一个简单的CNN，其中Nt=148+Nv=37个图像分别用于训练和验证。我使用了

ImageGenerator.flow\u from\u directory（）

方法，因为我计划在将来使用数据增强，但目前我不希望任何数据增强。我只想从磁盘上一个接一个地读取图像（每个图像只读取一次，这对验证非常重要），以避免将所有图像加载到内存中

但以下几点让我觉得发生了与预期不同的事情：

训练和验证精度达到的值与分母为148或37的分数不同。实际上，试图从三角洲的次倍数中估算出一个合理的分母，得到的数字远远大于148（约534或551，见下文（*），为什么我认为它们应该是19的倍数）和37的倍数

验证培训数据集和验证数据集上的所有预测（使用单独的程序，只读取验证目录一次，不使用上述生成器），会显示大量失败，但不完全符合我的预期（1-val_acc）*Nv

（*）最后，我发现我在这两个方面使用的批大小都是19，因此我希望每个历元提供19*7=133或19*8=152个训练图像，每个历元结束时提供19或38个图像作为验证集

顺便问一下：是否可以使用

模型。将\u生成器（）

与从

ImageGenerator.flow\u from\u directory（）

构建的生成器配合使用，以实现： -无数据扩充 -两个生成器应分别向培训过程和验证过程提供所有图像，每个历元仅提供一次 -洗牌是很好的，而且实际上是需要的，所以每个时代运行的都不同

同时，我将自己定位为将批量大小设置为验证集长度（即37）。作为训练集数值的一个除法器，我认为它应该计算出这些数字

但我仍然不确定以下代码是否达到了“完全没有数据扩充”的要求

---

你的处境中有一些问题。 首先，图像的数量非常少刮取更多图像并使用增强功能。 第二，我看到的典型分数是：

从总体数据来看：

火车80%

20%用于验证

将选定的图像按此比例放入文件夹中

第三，如果将此行放在

flow\u from\u目录

调用的最后一行之后（并在最后一行后面加逗号），则可以检查代码是否生成数据：

然后运行模型（编译，然后拟合）并检查

保存到\u目录

文件夹的内容

valid_augmenter = ImageDataGenerator(rescale=1./255)

val_batch_size = 37

train_generator = train_augmenter.flow_from_directory(
    train_data_dir,
    target_size=(img_height, img_width),
    batch_size=val_batch_size,
    class_mode='binary',
    color_mode='grayscale',
    follow_links=True )

validation_generator = valid_augmenter.flow_from_directory(
    validation_data_dir,
    target_size=(img_height,img_width),
    batch_size=val_batch_size,
    class_mode='binary',
    color_mode='grayscale',
    follow_links=True )

save_to_dir='folder_to_see_augmented_images'