Python Keras图像数据扩充

我发现很难理解ImageDataGenerator的\u目录中的flow\u是如何工作的，我正在使用以下代码为我的CNN模型增加图像数据，因为没有可用的训练图像

batch_size = 16
from keras.preprocessing.image import ImageDataGenerator
train_transformed = 'dataset/train_transformed'
train_datagen = ImageDataGenerator(
    rescale=1./255,
    horizontal_flip=True,
    fill_mode='nearest')

train_generator = train_datagen.flow_from_directory(
    'dataset/train',
    target_size=(150, 150),
    batch_size=batch_size,
    class_mode='binary',
    save_to_dir=train_transformed,
    save_prefix='train_aug',
    save_format='png')

这是一个包含20个正片和20个负片的二值分类问题。因此，我有一个包含两个子文件夹的dataset/train文件夹，每个子文件夹有20个图像。当我使用上述图像生成器训练模型时，我可以看到4160图像保存在dataset/train\u transformed文件夹中，并假设4160图像用于训练模型

model.fit_generator(
    train_generator,
    steps_per_epoch=1000 // batch_size,
    epochs=5,
    validation_data=validation_generator,
    validation_steps=100 // batch_size)

据我了解,， 每个历元的样本数量=批次大小X每个历元的步骤数
正如我的步骤_per_epoch=1000/16=62一样，每个epoch中的样本应该是62 x 16=992
“No of epochs”设置为5，因此生成的图像总数应992 x 5=4960。
在相同的超参数下，生成的图像不是随机的。

---

只需要对上述配置进行解释。

您的计算似乎是正确的。还要注意，目录中的

flow\u

有一个

shuffle

参数（默认为true）。这意味着生成器将在每个历元期间生成992个图像（

batch\u size

times

steps\u per\u epoch

），但它们在每个历元中的显示顺序将不同

即使每个历元的显示顺序不同，最终用于训练的总图像应为4960，但情况并非如此。