PROSAGA码农传奇-深度学习-它在Keras，Classifier.Fit

<div class =“post-text”itemprop =“text”>
  
    为了使用
     <code>
 flow_from_directory
 </code>
    。您必须具有以下文件夹结构。
  
   <pre>
 <code>
 ./Dataset/
 ./Train/
 ../Folder_1/
 ../img_1.jpg
 ../img_2.jpg
 ............
 ../Folder_2/
 ../img_1.jpg
 ../img_2.jpg

</code>
 </pre>
  
    其中Folder_i包含类i的图像。
  
  
    在你的道路上
     <code>
 E:\Major Project\Data
 </code>
     你必须有
     <code>
 n
 </code>
     每个对应于每个类的文件夹。
  
  
    然后你可以打电话
     <code>
 flow_from_directory
 </code>
     如
  
  
     <code>
 train_datagen.flow_from_directory('E:\Major Project\Data\',target_size = (64, 64),batch_size = 32,class_mode = 'categorical')
 </code>
  
  
    你会得到这样的输出
  
   <pre>
 <code>
 Found xxxx images belonging to yyyy classes

</code>
 </pre>
  
    如果其他一切都正确，模型将开始训练
  
  
    训练后如果你想使用
     <code>
 flow_from_directory
 </code>
     在...的帮助下做出预测
     <code>
 predict_generator
 </code>
     你可以这样做
  
  
    您可以将flow_from_directory中的batch_size值从默认值（即batch_size = 32）更改为batch_size = 1。然后将predict_generator的步骤设置为测试图像的总数。
  
   <pre>
 <code>
 test_datagen = ImageDataGenerator(rescale=1./255)

test_generator = test_datagen.flow_from_directory(
        test_dir,
        target_size=(200, 200),
        color_mode="rgb",
        shuffle = False,
        class_mode='categorical',
        batch_size=1)

filenames = test_generator.filenames
nb_samples = len(filenames)

predict = model.predict_generator(test_generator,steps = nb_samples)

</code>
 </pre>
  
    如果要在单个图像上进行预测。
  
   <pre>
 <code>
 import cv2
import numpy as np

img = cv2.imread('path_to_file')
img = cv2.resize(img, (64, 64))

img = img.reshape(1, 64, 64, 3)

model.predict(img)

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

它在Keras，Classifier.Fit_Generator中显示错误