Keras教学(9):Keras的图像预处理，看这一篇就够了

【写在前面】：大家好，我是【猪葛】
一个很看好AI前景的算法工程师
在接下来的系列博客里面我会持续更新Keras的教学内容（文末有大纲）
内容主要分为两部分
第一部分是Keras的基础知识
第二部分是使用Keras搭建FasterCNN、YOLO目标检测神经网络
代码复用性高
如果你也感兴趣，欢迎关注我的动态一起学习
学习建议：
有些内容一开始学起来有点蒙，对照着“学习目标”去学习即可
一步一个脚印，走到山顶再往下看一切风景就全明了了

本篇博客学习目标：1、掌握Keras中使用ImageDataGenerator 类进行图像预处理的方法；2、理解如何给模型喂数据进行训练的方法（先理解一次，以后会继续讲解的）

一、ImageDataGenerator 类

import tensorflow.keras as keras

# 函数作用：通过实时数据增强生成张量图像数据批次。数据将不断循环（按批次）。
keras.preprocessing.image.ImageDataGenerator(featurewise_center=False,
                                             samplewise_center=False,
                                             featurewise_std_normalization=False,
                                             samplewise_std_normalization=False,
                                             zca_whitening=False,
                                             zca_epsilon=1e-06,
                                             rotation_range=0,
                                             width_shift_range=0.0,
                                             height_shift_range=0.0,
                                             brightness_range=None,
                                             shear_range=0.0,
                                             zoom_range=0.0,
                                             channel_shift_range=0.0,
                                             fill_mode='nearest',
                                             cval=0.0,
                                             horizontal_flip=False,
                                             vertical_flip=False,
                                             rescale=None,
                                             preprocessing_function=None,
                                             data_format=None,
                                             validation_split=0.0,
                                             dtype=None)

函数作用：

通过实时数据增强生成张量图像数据批次。数据将不断循环（按批次）。

参数提示：

因为这参数比较多，而且比较难以理解，我会在下面解释小例子的时候结合实例来解释这些参数，所以大家一开始看不懂没关系，先跳过也行。一般这些参数都选择默认值，然后对图片的处理使用这个类的方法来实现

常见参数：

• horizontal_flip: 布尔值。随机水平翻转。
• vertical_flip: 布尔值。随机垂直翻转。
• rescale: 重缩放因子。默认为 None。如果是 None 或 0，不进行缩放，否则将数据乘以所提供的值（在应用任何其他转换之前）。
• preprocessing_function: 应用于每个输入的函数。这个函数会在任何其他改变之前运行。这个函数需要一个参数：一张图像（秩为 3 的 Numpy 张量），并且应该输出一个同尺寸的 Numpy 张量。
• data_format: 图像数据格式，{“channels_first”, “channels_last”} 之一。"channels_last" 模式表示图像输入尺寸应该为 (samples, height, width, channels)，"channels_first" 模式表示输入尺寸应该为 (samples, channels, height, width)。默认为 在 Keras 配置文件 ~/.keras/keras.json 中的 image_data_format 值。如果你从未设置它，那它就是 “channels_last”。
• validation_split: 浮点数。Float. 保留用于验证的图像的比例（严格在0和1之间）。
• dtype: 生成数组使用的数据类型。
• rotation_range: 整数。随机旋转的度数范围。
• featurewise_center: 布尔值。将输入数据的均值设置为 0，逐特征进行。
• samplewise_center: 布尔值。将每个样本的均值设置为 0。
• featurewise_std_normalization: 布尔值。将输入除以数据标准差，逐特征进行。
• samplewise_std_normalization: 布尔值。将每个输入除以其标准差。
• zca_epsilon: ZCA 白化的 epsilon 值，默认为 1e-6。
• zca_whitening: 布尔值。是否应用 ZCA 白化。
• width_shift_range: 浮点数、一维数组或整数，宽度缩放比例
• height_shift_range: 浮点数、一维数组或整数，高度缩放比例
• shear_range: 浮点数。剪切强度（以弧度逆时针方向剪切角度）。
• zoom_range: 浮点数 或 [lower, upper]。随机缩放范围。如果是浮点数，[lower, upper] = [1-zoom_range, 1+zoom_range]。

二、ImageDataGenerator 类的类方法

2-1、flow函数

flow(
             x,
             y=None,
             batch_size=32,
             shuffle=True,
             sample_weight=None,
             seed=Non