Tensorflow 如何使用Keras中的\u目录中的流\u重复数据

我正在尝试使用keras从目录中流动来训练模型。但它不会重复 历元之后的数据（即当所有数据都已迭代时）。我找不到 也可以选择这样做。下面是我在培训期间生成数据的代码。 例如，如果总图像数=70 批量大小=32 然后在第一次和第二次迭代中，is给出了32幅图像，但在第三次迭代中，它给出了6幅图像

# data generation from directory without labels  
trn = datagen.flow_from_directory(os.path.join(BASE, 'train_gen'),
                                         batch_size=batch_size,
                                         target_size=(inp_shape[:2]),
                                         class_mode=None)
X = trn.next() # getting a batch of data.

我希望数据生成器在耗尽数据后开始重复数据

---

实际上，我正在尝试训练一个GAN，从生成器模型生成一批图像，然后将其与一批真实图像连接，然后传递到鉴别器模型和GAN模型进行训练。我不知道如何使用fit\u generator，代码如下：

def train(self, inp_shape, batch_size=1, n_epochs=1000):
    BASE = '/content/gdrive/My Drive/Dataset/GAN'

    datagen = ImageDataGenerator(rescale=1./255)
    trn_dist = datagen.flow_from_directory(os.path.join(BASE, 'train_gen'),
                                                      batch_size=batch_size,
                                                      target_size=(inp_shape[:2]),
                                                      seed = 1360000,
                                                      class_mode=None)

    val_dist = datagen.flow_from_directory(os.path.join(BASE, 'test_gen'),
                                                      batch_size=batch_size,
                                                      target_size=(inp_shape[:2]),
                                                      class_mode=None)

    trn_real = datagen.flow_from_directory(os.path.join(BASE, 'train_real'),
                                                      batch_size=batch_size,
                                                      target_size=(inp_shape[:2]),
                                                      seed = 1360000,
                                                      class_mode=None)

    for e in range(n_epochs):

      real_images = trn_real.next()

      dist_images = trn_dist.next()

      gen_images = self.generator.predict(dist_images)

      factor = inp_shape[0]/250
      gen_res = ndi.zoom(gen_images, (1, factor, factor, 1), order=2)      

      X = np.concatenate([real_images, gen_res])

      y = np.zeros(2*batch_size)
      y[:batch_size] = 1.

      self.discriminator.trainable = True
      self.discriminator.fit(X, y, batch, n_epochs)

      self.discriminator.trainable = False

      self.model.fit(gen_res, y[:batch_size])
      print ('> training --- epoch=%d/%d' % (e, n_epochs))
      if e > 0 and e % 2000 == 0:
        self.model.save('%s/models/gan_model_%d_.h5'%(BASE, e))

---

PS：我是Gans的新手，如果我做错了什么，请纠正我。

目录中的

flow\u

方法用于

fit\u生成器

功能。

fit_generator

功能允许您指定纪元数

model.fit_generator(trn, epochs=epochs)

---

其中，

model

指的是要训练的模型对象。应该能解决你的问题。这些函数在Keras文档中有很好的解释

您始终可以在

fit\u generator

方法中指定

steps\u per\u epoch

参数。这将使您能够在每个历元执行

步骤时重复数据。

>总样本数//批次大小。

要了解问题，首先，您需要从\u目录了解

流的参数<代码>批量大小

确定要加载以进行计算的样本数，

历元

确定要通过所有数据的次数。本质上，如果您设置了

epoch=2

和

batch\u size=32

，这意味着Keras将对您的所有数据进行两次检查，将您的数据拆分为

mini batch

和32个数据样本。那么代码中缺少的基本上是epoch参数。 我建议也设置每个历元的步骤和验证数据。

steps\u per\u epoch

确定了每个epoch中的批数，而不是访问每个epoch中的所有样本，如下所示设置

steps\u per\u epoch

model.fit_generator(train_generator, steps_per_epoch=train_generator.samples/train_generator.batch_size, epochs=10, validation_data=validation_generator, validation_steps=validation_generator.samples/validation_generator.batch_size)

---

我发现了一个方法，使第二个生成器使用较少的图像来“重置”其索引，从而输出一批32个图像，而不是您前面提到的6个图像

看看你的代码，我想

trn\u real

是图像较多的生成器，而

trn\u dist

是图像较少的生成器。在每次迭代中，比较批次形状，如果它们不相等（意味着生成器到达索引的末尾，因此输出较少的图像），然后按如下方式重置生成器：

real_images = trn_real.next()
dist_images = trn_dist.next()
if real_images.shape != dist_images.shape:
    trn_dist.reset() # reset the generator with lesser images
    dist_images = trn_dist.next()

---

我正在尝试训练一个GAN，其中来自两个源的输入被连接并调整大小，然后传递给一个模型，这样我一次只能处理批处理。所以没有办法从目录中设置flow_中的repeat模式吗？感谢您的澄清，我正在尝试训练一个GAN，其中一批图像必须传递给模型。因此，我使用n_时代的循环，而不是使用fit_生成器。请查找更新的代码。