PROSAGA码农传奇-测试训练-CNN-将图像划分为训练/验证/测试

<div class =“post-text”itemprop =“text”>
  
    的
      问题1：
    </强>
  
  
    根据我的经验，在命名y，x变量时没有可辨别的限制。例如在
    <a href="https://www.kaggle.com/janiobachmann/patient-charges-clustering-and-regression#Preprocessing%20our%20Data%20and%20using%20Pipelines:" rel="nofollow noreferrer">
      这个
    </A>
     一个人使用的内核
     <code>
 y_train, y_test
 </code>
     标签名称和
    <a href="https://github.com/aymericdamien/TensorFlow-Examples/blob/master/examples/2_BasicModels/linear_regression_eager_api.py" rel="nofollow noreferrer">
      这里
    </A>
     一个人用
     <code>
 train_Y
 </code>
    。有一条规则，您应该给出显示变量内容的名称。
  
  
    的
      问题2：
    </强>
  
  
    我建议使用
     <code>
 validation_split
 </code>
     参数
     <code>
 ImageDataGenerator
 </code>
     （
    <a href="https://keras.io/preprocessing/image/" rel="nofollow noreferrer">
      DOC
    </A>
    ）设置保留用于验证的图像部分。之后我会建议使用
     <code>
 subset
 </code>
     参数
     <code>
 flow_from_directory
 </code>
     （
    <a href="https://keras.io/preprocessing/image/#flow_from_directory" rel="nofollow noreferrer">
      DOC
    </A>
    ） 界定
     <code>
 training_generator
 </code>
     和
     <code>
 validation generator
 </code>
     变量。 （我想指出flow_from_directory返回生成器，而不是数据）。
  
  
    所以你的代码看起来像：
  
   <pre>
 <code>
 data_generator = ImageDataGenerator(
 validation_split=0.2,
 rescale=1./255,
 shear_range=0.2,
 zoom_range=0.2,
 horizontal_flip=True,
)

train_generator = data_generator.flow_from_directory(
    './images/train',
    target_size = (28, 28),
    batch_size = 86,
    class_mode = 'binary',
    color_mode='rgb',
    classes=None, subset="training"
)

validation_generator = data_generator.flow_from_directory(
    './images/train',
    target_size = (28, 28),
    batch_size = 86,
    class_mode = 'binary',
    color_mode='rgb',
    classes=None, subset="validation"
)

history=classifier.fit_generator(
    train_generator,
    steps_per_epoch = (8000 / 86),
    epochs = 2,
    validation_data = validation_generator,
    validation_steps = 8000/86,
    callbacks=[learning_rate_reduction]
)

</code>
 </pre>
</DIV>