如下所示：

接下来，给出我自己目前积累的代码，从目录中自动读取图像，并产生generator：

第一步：建立好目录结构和图像

可以看到目录images_keras_dict下有次级目录，次级目录下就直接包含照片了

**第二步：写代码建立预处理程序

# 先进行预处理图像
train_datagen = ImageDataGenerator(rescale=1./255, 
                  rotation_range=50,
                  height_shift_range=[-0.005, 0, 0.005],
                  width_shift_range=[-0.005, 0, 0.005],
                  horizontal_flip=True, 
                  fill_mode='reflect')
#再对预处理图像指定从目录中读取数据，可以看到我的目录最核心的地方是images_keras_dict（可以对照上一张图片）
train_generator = train_datagen.flow_from_directory('AgriculturalDisease_trainingset/images_keras_dict',
                          target_size=(height, width), batch_size=16)

val_datagen = ImageDataGenerator(rescale=1./255)
val_generator = val_datagen.flow_from_directory('AgriculturalDisease_validationset/images_keras_dict', target_size=(height, width),
                        batch_size=64)

save_weights = ModelCheckpoint(filepath='models/best_weights.hdf5',monitor='val_loss', verbose=1, save_best_only=True)

# 最后在fit_generator 中放入生成器的函数train_generator
model.fit_generator(train_generator,
          steps_per_epoch=times_train,
          verbose=1,
          epochs=300,
          initial_epoch=0,
          validation_data=val_generator,
          validation_steps=times_val,
          callbacks=[save_weights, TrainValTensorBoard(write_graph=False)])

第三步：写入fit_generator进行训练

已经写在上一个代码中。

第四步：写predict_generator进行预测**

首先我们需要建立同样的目录结构。把包含预测图片的次级目录放在一个文件夹下，这个文件夹名就是关键文件夹。

这里我的关键文件夹是test文件夹

# 建立预处理
predict_datagen = ImageDataGenerator(rescale=1./255)
predict_generator = predict_datagen.flow_from_directory('AgriculturalDisease_validationset/test',
                            target_size=(height, width), batch_size=128)
# predict_generator.reset()
# 利用predict_generator进行预测
pred = model.predict_generator(predict_generator, max_queue_size=10, workers=1, verbose=1)

# 利用几个属性来读取文件夹和对应的分类
train_datagen = ImageDataGenerator(rescale=1./255, rotation_range=40, fill_mode='wrap')
train_generator = train_datagen.flow_from_directory('new_images', target_size=(height, width), batch_size=96)
labels = (train_generator.class_indices)
labels = dict((v,k) for k,v in labels.items())
predictions = [labels[k] for k in predicted_class_indices]

# 还可以知道图片的名字
filenames = predict_generator.filenames

补充知识：[TensorFlow 2] [Keras] fit()、fit_generator() 和 train_on_batch() 分析与应用

前言

是的，除了水报错文，我也来写点其他的。本文主要介绍Keras中以下三个函数的用法：

1、fit()

2、fit_generator()

3、train_on_batch()

当然，与上述三个函数相似的evaluate、predict、test_on_batch、predict_on_batch、evaluate_generator和predict_generator等就不详细说了，举一反三嘛。

环境

本文的代码是在以下环境下进行测试的：

Windows 10

Python 3.6

TensorFlow 2.0 Alpha

异同

大家用Keras也就图个简单快捷，但是在享受简单快捷的时候，也常常需要些定制化需求，除了model.fit()，有时候model.fit_generator()和model.train_on_batch()也很重要。

那么，这三个函数有什么异同呢？Adrian Rosebrock [1] 有如下总结：

当你使用.fit()函数时，意味着如下两个假设：

训练数据可以 完整地 放入到内存（RAM）里

数据已经不需要再进行任何处理了

这两个原因解释的非常好，之前我运行程序的时候，由于数据集太大（实际中的数据集显然不会都像 TensorFlow 官方教程里经常使用的 MNIST 数据集那样小），一次性加载训练数据到fit()函数里根本行不通：

history = model.fit(train_data, train_label) // Bomb!!!

于是我想，能不能先加载一个batch训练，然后再加载一个batch，如此往复。于是我就注意到了fit_generator()函数。什么时候该使用fit_generator函数呢？Adrian Rosebrock 的总结道：

内存不足以一次性加载整个训练数据的时候

需要一些数据预处理（例如旋转和平移图片、增加噪音、扩大数据集等操作）

在生成batch的时候需要更多的处理

对于我自己来说，除了数据集太大的缘故之外，我需要在生成batch的时候，对输入数据进行padding，所以fit_generator()就派上了用场。下面介绍如何使用这三种函数。

fit()函数

fit()函数其实没什么好说的，大家在看TensorFlow教程的时候已经见识过了。此外插一句话，tf.data.Dataset对不规则的序列数据真是不友好。

import tensorflow as tf
model = tf.keras.models.Sequential([
 ... // 你的模型
])
model.fit(train_x, // 训练输入
  train_y, // 训练标签
  epochs=5 // 训练5轮
)

fit_generator()函数

fit_generator()函数就比较重要了，也是本文讨论的重点。fit_generator()与fit()的主要区别就在一个generator上。之前，我们把整个训练数据都输入到fit()里，我们也不需要考虑batch的细节；现在，我们使用一个generator，每次生成一个batch送给fit_generator()训练。

def generator(x, y, b_size):
 ... // 处理函数

model.fit_generator(generator(train_x, train_y, batch_size), 
   step_per_epochs=np.ceil(len(train_x)/batch_size), 
   epochs=5
)

从上述代码中，我们发现有两处不同：

一个我们自定义的generator()函数，作为fit_generator()函数的第一个参数；

fit_generator()函数的step_per_epochs参数

自定义的generator()函数

该函数即是我们数据的生成器，在训练的时候，fit_generator()函数会不断地执行generator()函数，获取一个个的batch。

def generator(x, y, b_size):
 """Generates batch and batch and batch then feed into models.
 Args:
 x: input data;
 y: input labels;
 b_size: batch_size.
 Yield:
 (batch_x, batch_label): batched x and y.
 """
 while 1: // 死循环
 idx = ...
 batch_x = ...
 batch_y = ...
 ... // 任何你想要对这个`batch`中的数据执行的操作
 yield (batch_x, batch_y)

需要注意的是，不要使用return或者exit。

step_per_epochs参数

由于generator()函数的循环没有终止条件，fit_generator也不知道一个epoch什么时候结束，所以我们需要手动指定step_per_epochs参数，一般的数值即为len(y)//batch_size。如果数据集大小不能整除batch_size，而且你打算使用最后一个batch的数据（该batch比batch_size要小），此时使用np.ceil(len(y)/batch_size)。

keras.utils.Sequence类（2019年6月10日更新）

除了写generator()函数，我们还可以利用keras.utils.Sequence类来生成batch。先扔代码：

class Generator(keras.utils.Sequence):
 def __init__(self, x, y, b_size):
 self.x, self.y = x, y
 self.batch_size = b_size

 def __len__(self):
 return math.ceil(len(self.y)/self.batch_size

 def __getitem__(self, idx):
 b_x = self.x[idx*self.batch_size:(idx+1)*self.batch_size]
 b_y = self.y[idx*self.batch_size:(idx+1)*self.batch_size]
 ... // 对`batch`的其余操作
 return np.array(b_x), np.array(b_y)

 def on_epoch_end(self):
 """执行完一个`epoch`之后，还可以做一些其他的事情！"""
 ...

我们首先定义__init__函数，读取训练集数据，然后定义__len__函数，返回一个epoch中需要执行的step数（此时在fit_generator()函数中就不需要指定steps_per_epoch参数了），最后定义__getitem__函数，返回一个batch的数据。代码如下：

train_generator = Generator(train_x, train_y, batch_size)
val_generator = Generator(val_x, val_y, batch_size)

model.fit_generator(generator=train_generator, 
   epochs=3197747, 
   validation_data=val_generator
   )

根据官方 [2] 的说法，使用Sequence类可以保证在多进程的情况下，每个epoch中的样本只会被训练一次。总之，使用keras.utils.Sequence也是很方便的啦！

train_on_batch()函数

train_on_batch()函数接受一个batch的输入和标签，然后开始反向传播，更新参数等。大部分情况下你都不需要用到train_on_batch()函数，除非你有着充足的理由去定制化你的模型的训练流程。

结语

本文到此结束啦！希望能给大家一个参考，也希望大家多多支持python博客。