如何预处理数据并将其提供给 keras 模型？答案

【问题标题】：How to preprocess and feed data to keras model?如何预处理数据并将其提供给 keras 模型？
【发布时间】：2020-02-19 23:51:04
【问题描述】：

我有一个包含两列路径和类的数据集。我想用它微调 VGGface。

dataset.head(5):


    path            class
0   /f3_224x224.jpg red
1   /bc_224x224.jpg orange
2   /1c_224x224.jpg brown
3   /4b_224x224.jpg red
4   /0c_224x224.jpg yellow

我想使用这些路径来预处理图像并提供给 keras。我的预处理功能如下：

from keras.preprocessing.image import img_to_array, load_img

def prep_image(photo):
    img = image.load_img(path + photo, target_size=(224, 224))
    x = image.img_to_array(img)
    x = np.expand_dims(x, axis=0)
    x = utils.preprocess_input(x, version=1)
    return x

我使用以下代码准备我的数据集：

from sklearn.model_selection import train_test_split

path = list(dataset.columns.values)
path.remove('class')
X = dataset[path]
y = dataset['class']

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)

我使用以下代码训练我的模型：

nb_class = 4
hidden_dim = 512

vgg_model = VGGFace(include_top=False, input_shape=(224, 224, 3))
last_layer = vgg_model.get_layer('pool5').output
x = Flatten(name='flatten')(last_layer)
x = Dense(hidden_dim, activation='relu', name='fc6')(x)
x = Dense(hidden_dim, activation='relu', name='fc7')(x)
out = Dense(nb_class, activation='softmax', name='fc8')(x)
custom_vgg_model = Model(vgg_model.input, out)
custom_vgg_model.compile(

        optimizer="adam",
        loss="categorical_crossentropy"
    )

custom_vgg_model.fit(X_train, y_train, epochs=50, batch_size=16)
test_loss, test_acc = model.evaluate(X_test, y_test)

但是我得到值错误，因为我不知道如何预处理图像和馈送数组。如何转换 X_train/test 数据帧的路径并将其替换为 prep_image 函数的输出？

ValueError: Error when checking input: expected input_2 to have 4 dimensions, but got array with shape (50297, 1)

所以形状应该是 (50297, 224, 224, 3)。

【问题讨论】：

标签： python-3.x tensorflow machine-learning keras computer-vision

【解决方案1】：

X_train, X_test 基本上只是看起来的路径名。在您的数据准备步骤中，您只需要像添加最后两行一样修改您的代码。

from sklearn.model_selection import train_test_split

path = list(dataset.columns.values)
path.remove('class')
X = dataset[path]
y = dataset['class']

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)
X_train = np.array([prep_image(path)[0] for path in X_train])
X_test = np.array([prep_image(path)[0] for path in X_test])

【讨论】：