Как нормализация данных работает в керах во время предсказания?

Ответ 1

Да - это действительно огромный недостаток Keras.ImageDataGenerator, который вы не могли бы предоставить статистике статистики самостоятельно. Но - есть простой способ решения этой проблемы.

Предполагая, что у вас есть функция normalize(x), которая нормализует изображение пакет (помните, что генератор не предоставляет простое изображение, но массив изображений - пакет с формой (nr_of_examples_in_batch, image_dims ..) вы можете сделать свой собственный генератор с нормализацией, используя:

def gen_with_norm(gen, normalize):
    for x, y in gen:
        yield normalize(x), y

Тогда вы можете просто использовать gen_with_norm(datagen.flow, normalize) вместо datagen.flow.

Кроме того, вы можете восстановить mean и std, вычисленные методом fit, получая его из соответствующих полей в datagen (например, datagen.mean и datagen.std).

Ответ 2

Используйте метод standardize генератора для каждого элемента. Вот полный пример для CIFAR 10:

#!/usr/bin/env python

import keras
from keras.datasets import cifar10
from keras.preprocessing.image import ImageDataGenerator
from keras.models import Sequential
from keras.layers import Dense, Dropout, Flatten
from keras.layers import Conv2D, MaxPooling2D

# input image dimensions
img_rows, img_cols, img_channels = 32, 32, 3
num_classes = 10

batch_size = 32
epochs = 1

# The data, shuffled and split between train and test sets:
(x_train, y_train), (x_test, y_test) = cifar10.load_data()
print(x_train.shape[0], 'train samples')
print(x_test.shape[0], 'test samples')

# Convert class vectors to binary class matrices.
y_train = keras.utils.to_categorical(y_train, num_classes)
y_test = keras.utils.to_categorical(y_test, num_classes)

model = Sequential()

model.add(Conv2D(32, (3, 3), padding='same', activation='relu',
                 input_shape=x_train.shape[1:]))
model.add(Conv2D(32, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))

model.add(Conv2D(64, (3, 3), padding='same', activation='relu'))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))

model.add(Flatten())
model.add(Dense(512, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(num_classes, activation='softmax'))

model.compile(loss='categorical_crossentropy', optimizer='rmsprop',
              metrics=['accuracy'])

x_train = x_train.astype('float32')
x_test = x_test.astype('float32')
x_train /= 255
x_test /= 255

datagen = ImageDataGenerator(zca_whitening=True)

# Compute principal components required for ZCA
datagen.fit(x_train)

# Apply normalization (ZCA and others)
print(x_test.shape)
for i in range(len(x_test)):
    # this is what you are looking for
    x_test[i] = datagen.standardize(x_test[i])
print(x_test.shape)

# Fit the model on the batches generated by datagen.flow().
model.fit_generator(datagen.flow(x_train, y_train,
                                 batch_size=batch_size),
                    steps_per_epoch=x_train.shape[0] // batch_size,
                    epochs=epochs,
                    validation_data=(x_test, y_test))

Ответ 3

Я использую функцию datagen.fit.

from keras.preprocessing.image import ImageDataGenerator

train_datagen = ImageDataGenerator(
    featurewise_center=True,
    featurewise_std_normalization=True)
train_datagen.fit(train_data)

test_datagen = ImageDataGenerator(  
    featurewise_center=True, 
    featurewise_std_normalization=True)
test_datagen.fit(train_data)

В идеале с этим test_datagen, установленный в наборе учебных материалов, будет изучать статистику учебных наборов данных. Затем он будет использовать эти статистические данные для нормализации данных тестирования.

Ответ 4

У меня также была такая же проблема, и я решил ее использовать ту же функциональность, что и ImageDataGenerator:

# Load Cifar-10 dataset
(trainX, trainY), (testX, testY) = cifar10.load_data()
generator = ImageDataGenerator(featurewise_center=True, 
                               featurewise_std_normalization=True)

# Calculate statistics on train dataset
generator.fit(trainX)
# Apply featurewise_center to test-data with statistics from train data
testX -= generator.mean
# Apply featurewise_std_normalization to test-data with statistics from train data
testX /= (generator.std + K.epsilon())

# Do your regular fitting
model.fit_generator(..., validation_data=(testX, testY), ...)

Обратите внимание, что это возможно только в том случае, если у вас есть разумный небольшой набор данных, например CIFAR-10. В противном случае решение предложенное Marcin, звучит более разумно.