如何在 TF2 中将 ImageDataGenerator 与 TensorFlow 数据集结合起来？答案

【问题标题】：How can I combine ImageDataGenerator with TensorFlow datasets in TF2?如何在 TF2 中将 ImageDataGenerator 与 TensorFlow 数据集结合起来？
【发布时间】：2020-01-08 15:15:10
【问题描述】：

我有一个classify猫狗的TF数据集：

import tensorflow_datasets as tfds
SPLIT_WEIGHTS = (8, 1, 1)
splits = tfds.Split.TRAIN.subsplit(weighted=SPLIT_WEIGHTS)

(raw_train, raw_validation, raw_test), metadata = tfds.load(
    'cats_vs_dogs', split=list(splits),
    with_info=True, as_supervised=True)

在示例中，他们使用了一些带有地图功能的图像增强功能。我想知道这是否也可以通过 ImageDataGenerator 描述的 here 类来完成：

from tensorflow.keras.preprocessing.image import ImageDataGenerator
train_image_generator = ImageDataGenerator(rescale=1./255) # Generator for our training data
train_data_gen = train_image_generator.flow_from_directory(batch_size=batch_size,
                                                           directory=train_dir,
                                                           shuffle=True,
                                                           target_size=(IMG_HEIGHT, IMG_WIDTH),
                                                           class_mode='binary')

我面临的问题是我只能看到3 ways 才能使用ImageDataGenerator：pandas 数据框、numpy 数组和图像目录。有没有办法同时使用 Tensorflow 数据集并结合这些方法？

【问题讨论】：

标签： python tensorflow keras tensorflow2.0

【解决方案1】：

是的，但它有点棘手。
Keras ImageDataGenerator 适用于 numpy.arrays 而不是 tf.Tensor，因此我们必须使用 Tensorflow 的 numpy_function。这将允许我们对 tf.data.Dataset 内容执行操作，就像它是 numpy 数组一样。

首先，让我们声明我们将在数据集上.map 的函数（假设您的数据集由图像、标签对组成）：

# We will take 1 original image and create 5 augmented images:
HOW_MANY_TO_AUGMENT = 5

def augment(image, label):

  # Create generator and fit it to an image
  img_gen = tf.keras.preprocessing.image.ImageDataGenerator(rescale=1./255)
  img_gen.fit(image)

  # We want to keep original image and label
  img_results = [(image/255.).astype(np.float32)] 
  label_results = [label]

  # Perform augmentation and keep the labels
  augmented_images = [next(img_gen.flow(image)) for _ in range(HOW_MANY_TO_AUGMENT)]
  labels = [label for _ in range(HOW_MANY_TO_AUGMENT)]

  # Append augmented data and labels to original data
  img_results.extend(augmented_images)
  label_results.extend(labels)

  return img_results, label_results

现在，为了在tf.data.Dataset 中使用这个函数，我们必须声明一个numpy_function：

def py_augment(image, label):
  func = tf.numpy_function(augment, [image, label], [tf.float32, tf.int32])
  return func

py_augment 可以像这样安全地使用：

augmented_dataset_ds = image_label_dataset.map(py_augment)

数据集中的image 部分现已成型 (HOW_MANY_TO_AUGMENT, image_height, image_width, channels)。要将其转换为简单的(1, image_height, image_width, channels)，您只需使用unbatch：

unbatched_augmented_dataset_ds = augmented_dataset_ds.unbatch()

所以整个部分看起来像这样：

HOW_MANY_TO_AUGMENT = 5

def augment(image, label):

  # Create generator and fit it to an image
  img_gen = tf.keras.preprocessing.image.ImageDataGenerator(rescale=1./255)
  img_gen.fit(image)

  # We want to keep original image and label
  img_results = [(image/255.).astype(np.float32)] 
  label_results = [label]

  # Perform augmentation and keep the labels
  augmented_images = [next(img_gen.flow(image)) for _ in range(HOW_MANY_TO_AUGMENT)]
  labels = [label for _ in range(HOW_MANY_TO_AUGMENT)]

  # Append augmented data and labels to original data
  img_results.extend(augmented_images)
  label_results.extend(labels)

  return img_results, label_results

def py_augment(image, label):
  func = tf.numpy_function(augment, [image, label], [tf.float32, tf.int32])
  return func

unbatched_augmented_dataset_ds = augmented_dataset_ds.map(py_augment).unbatch()

# Iterate over the dataset for preview:
for image, label in unbatched_augmented_dataset_ds:
    ...

【讨论】：

【解决方案2】：

一个想法是您可以创建一个生成器包装函数，该函数使用您的 tfds 数据集来加载批量大小的倍数。然后将这些图像、标签传递给 ImageDataGenerator 的 flow 方法，该方法将以您所需的批量大小的速率生成增强数据。

例如：

def tfds_imgen(ds, imgen, batch_size, batches_per):
    for images, labels in ds:
        flow_ = imgen.flow(images, labels, batch_size=batch_size)
        for _ in range(batches_per):
            yield next(flow_)

raw_train_ds = tfds.load(
    'cats_vs_dogs', split='train',
    batch_size=SOME_MULTIPLE_OF_32,
    as_supervised=True)

imgen = ImageDataGenerator(...)

train_ds = tfds_imgen(
    raw_train_ds.as_numpy_iterator(), imgen,
    batch_size=32, batches_per=SOME_MULTIPLE_OF_32 // 32)

【讨论】：

【解决方案3】：

一种方法是通过 keras 预处理层添加数据增强，使增强成为模型的一部分（参见此处：https://www.tensorflow.org/tutorials/images/data_augmentation#data_augmentation_2）。

文档中的示例：

data_augmentation = tf.keras.Sequential([
  layers.RandomFlip("horizontal_and_vertical"),
  layers.RandomRotation(0.2),
])

【讨论】：