Python 基础： # numpy 将数组打乱顺序 np.random.shuffle(array) super() 函数是用于调用父类(超类)的一个方法。 super 是用来解决多重继承问题的，直接用类名 调用父类方法在使用单继 class A:def add(self, x): y = x+1 print(y) class B(A): def add(self, x): super

实践过程中的得出的经验，做此记录。 from keras.preprocessing.image import ImageDataGenerator# 设置图像数据生成器参数，具体参数不详细讲aug = ImageDataGenerator(rotation_range=30, width_shift_range=0.1,height_shift_range=0.1, shear_range

当我们训练一个较为复杂的网络，并且我们的训练数据集有限时，网络十分容易陷入过拟合的状态。 解决这个问题的一个可能的有效方法是：进行数据增强，即通过已有的有限的数据集，通过图像处理等方法（旋转，剪切，缩放…），获得更多的，类似的，多样化的数据。 数据增强处理，不会占用更多的存储空间，即在数据增强过程中，原始的数据不会被修改，所有的处理过程都是在内存中 即时（on-the-fly） 的处理。 注

实验环境： goolge colab （改为本地使用也非常的简单，只需将测试部分稍作修改即可） 初始环境： tmp文件下为空 content文件下只有sample_data文件 步骤 (1)：下载人马数据集的训练集压缩包和验证集压缩包，放在 /tmp/horse-or-human.zip /tmp/validation-horse-or-human.zip !wget --no-check

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(se

最近发现了一个好用的类ImageDataGenerator，可以使用它完成以下工作： Accepting a batch of images used for training.Taking this batch and applying a series of random transformations to each image in the batch (including random