Python 在Tensorflow Keras中使用空ImageDataGenerator时，精度显著降低

我正试图构建一个卷积网络来对CIFAR-100数据集进行分类，但遇到了一个不实际的问题。现在，我可能犯了一个明显的错误，但由于我对这个领域非常陌生，我似乎找不到它

在我尝试引入ImageDataGenerator来增加输入数据之前，网络一直运行良好。我注意到精度有很大差异，所以我尝试使用空的ImageDataGenerator。问题依然存在

datagen = ImageDataGenerator(
)

datagen.fit(train_images)

history = model.fit_generator(datagen.flow(train_images, train_labels, batch_size=128), steps_per_epoch=train_images.shape[0]//128, epochs=250, 
                   validation_data=(test_images, test_labels), callbacks=[callbacks.EarlyStopping(patience=10)])

上述代码给出了以下结果：

Epoch 1/250
390/390 [==============================] - 29s 75ms/step - loss: 4.6235 - accuracy: 0.0040 - val_loss: 4.7914 - val_accuracy: 0.0000e+00

而这一个，不使用发电机，提供了一个更好的：

history = model.fit(train_images, train_labels, batch_size=128, epochs=250, validation_data=(test_images, test_labels), callbacks=[callbacks.EarlyStopping(patience=10)])

---

既然ImageDataGenerator对输入没有任何作用，这两种方法不应该给出相同的结果吗？

事实上，我觉得用第一个历元作为CNN工作状况的标志不是一个好主意。您应该让它收敛，看看是否存在真正的性能差异

---

此外，与ImageDataGenerator相比，使用原始数据也有所不同。ImageDataGenerator在列车运行期间使用不同的值创建数据扩充。我认为对它使用默认值不是一个好主意，尽管这样做只是复制数据。至少尝试更改一些值，如宽度偏移范围、高度偏移范围和旋转范围。

我理解，虽然我只显示了第一个历元，但原始数据模型的训练效果要比使用ImageDataGenerator的模型好得多。我的意思是要表明，即使ImageDataGenerator没有改变输入，结果也大不相同。是的，没错，我想我应该改变我的答案，我想你问的是不同的问题。问题是，即使使用相同的数据，性能也会发生变化，因为还有一些其他因素需要考虑，例如生成权重的随机种子。另外（这里有一点推测），使用ImageDataGenerator可能会改变读取图像的顺序。希望它能对你有所帮助。谢谢你，我认为shuffle在默认情况下可能会设置为True，尽管这似乎不会对结果造成太大的改变。我得做个实验。什么是训练图像？numpy矩阵？图像列表？由于随机权重初始化，这些比较毫无意义。在我们告诉您更多信息之前，您需要显示更多的训练结果。一个单一的纪元几乎不提供任何信息。如果在较长的培训期间确实存在问题，那么查看ImageDataGenerator是如何初始化的将非常有用。此外，请注意，如果您使用的是TF2+，则不推荐使用fit_生成器。您可以使用fit，因为它可以接受生成器。

Epoch 1/250
391/391 [==============================] - 27s 69ms/step - loss: 4.6176 - accuracy: 0.0179 - val_loss: 4.7109 - val_accuracy: 0.0095