Tensorflow2中ImageDataGenerator中flow_from_directory()和image_dataset_from

本文主要是介绍Tensorflow2中ImageDataGenerator中flow_from_directory()和image_dataset_from_directory()区别，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

这两个函数经常用来从文件夹创建和加载深度学习的数据集，有些类似，但也有不同，不同在于函数参数和数据返回的类型不一样。

1.flow_from_directory()

keras_preprocessing.image.image_data_generator.ImageDataGenerator.flow_from_directory()

def flow_from_directory(self,directory: Any,target_size: Tuple[int, int] = (256, 256),color_mode: str = 'rgb',classes: Any = None,class_mode: str = 'categorical',batch_size: int = 32,shuffle: bool = True,seed: Any = None,save_to_dir: Any = None,save_prefix: str = '',save_format: str = 'png',follow_links: bool = False,subset: Any = None,interpolation: str = 'nearest') -> DirectoryIterator

Returns

一个产生（x，y）元组的目录迭代器（DirectoryIterator）。
其中x是包含一批（batch_size，* target_size，channels）类型的图像的numpy数组，y是对应标签的numpy数组。

参数说明：

目录（directory）：字符串，目标目录的路径。每个类应该包含一个子目录。生成器中将包含每个子目录树中的任何PNG、JPG、BMP、PPM或TIF图像。有关详细信息，请参阅（https://gist.github.com/fchollet/0830affa1f7f19fd47b06d4cf89ed44d）。
目标大小（target_size）：整数的元组（高度、宽度）。默认值：（256，256）。将调整找到的所有图像的尺寸。
颜色_模式（color_mode）：“灰度”、“rgb”、“rgba”之一。默认值：“rgb”。是否将图像转换为具有1、3或4个通道。
类列表（classes）：类子目录的可选列表。（例如，“狗”、“猫”）。默认值：无。如果没有提供，将根据目录下的子目录名称/结构自动推断类列表，其中每个子目录将被视为不同的类（将映射到标签索引的类的顺序将是字母数字）。包含从类名到类索引的映射的字典可以通过属性class_indexes获得。
类模式：确定返回的标签数组的类型：“分类（“categorical”）”、“二进制（“binary”）”、“稀疏（“sparse”）”、“输入（“input”）”、“无（None）”模式之一。默认值：“分类”。

“categorial”则是2维one-hot编码标签；
“binary”则是一维二进制标签；
“sparse”是1维整数标签；
“input”是与输入图像相同的图像（主要用于自动编码器）；
None，则不会返回任何标签（生成器将只生成一批图像数据，与model.predict_generator（）一起使用非常有用）。请注意，在类模式为“无”的情况下，数据仍然需要驻留在目录的子目录中，以便它正常工作。

批次大小（batch_size）：数据批次的大小（默认值：32）。
随机播放（shuffle）：是否随机播放数据（默认值：True）。如果设置为False，则按字母数字顺序对数据进行排序。
种子（seed）：可选的随机种子，用于洗牌和转换。
保存路径（save_to_dir）:none或str（默认值：none）。这允许您选择指定一个目录，将生成的增强图片保存到该目录（对于可视化所做的操作很有用）。
保存前缀（save_prefix）: Str. Prefix用于保存图片的文件名（仅当设置了save_to_dir时才相关）。
保存格式（save_format）：“png”、“jpeg”之一（仅当设置了save_to_dir时才相关）。默认值：“png”。
跟随链接（follow_links）：是否跟随类子目录内的符号链接（默认值：False）。
子集（subset）：如果在ImageDataGenerator中设置了验证分割（validation_split），则为数据的子集（训练集"training" 或验证集"validation"）。
插值（interpolation）：当目标大小与加载的图像大小不同时，用于对图像重新采样的插值方法。支持的方法有最近邻"nearest"、双线性"bilinear"和双三次"bicubic"。如果安装了PIL版本1.1.3或更高版本，还支持“lanczos”。如果安装了PIL 3.4.0或更高版本，还支持“Box”和“Hamming”。默认情况下，使用“nearest”。

来自：flow_from_directory返回值

2.image_dataset_from_directory()

Function

# from tensorflow.keras.preprocessing import image_dataset_from_directorytf.keras.preprocessing.image_dataset_from_directory(directory,labels="inferred",label_mode="int",class_names=None,color_mode="rgb",batch_size=32,image_size=(256, 256),shuffle=True,seed=None,validation_split=None,subset=None,interpolation="bilinear",follow_links=False,
)

Returns

一个tf.data.Dataset对象。

如果label_mode为None，它将生成float32张量，其shape为（batch_size, image_size[0], image_size(1), num_channels）,并对图像进行编码（有关num_channels的规则，参见下文）。
否则，将生成一个元组（images, labels），其中图像的shape为（batch_size, image_size[0], image_size(1), num_channels），并且labels遵循下面描述的格式。
如果label_mode 是 int, labels是形状为（batch_size, ）的int32张量
如果label_mode 是 binary, labels是形状为（batch_size, 1）的1和0的float32张量。
如果label_mode 是 categorial, labels是形状为（batch_size, num_classes）的float32张量，表示类索引的one-hot编码。