From 23b2ceec5efe2281499f639a5161dbe7e3d99cc3 Mon Sep 17 00:00:00 2001 From: ElmaDavies <1306014226@qq.com> Date: Thu, 7 Nov 2019 21:30:10 +0800 Subject: [PATCH] =?UTF-8?q?=E6=A0=A1=E6=AD=A3?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit --- .../dl-keras/image-augmentation-deep-learning-keras.md | 10 +++++----- 1 file changed, 5 insertions(+), 5 deletions(-) diff --git a/docs/dl-keras/image-augmentation-deep-learning-keras.md b/docs/dl-keras/image-augmentation-deep-learning-keras.md index 1a19cce..a7d4fd8 100644 --- a/docs/dl-keras/image-augmentation-deep-learning-keras.md +++ b/docs/dl-keras/image-augmentation-deep-learning-keras.md @@ -16,7 +16,7 @@ 让我们开始吧。 -* **更新**：本文中的示例已针对最新的 Keras API 进行了更新， ·`datagen.next()`函数已被删除。 +* **更新**：本文中的示例已针对最新的 Keras API 进行了更新， `datagen.next()`函数已被删除。 * **2016 年 10 月更新**：更新了 Keras 1.1.0，TensorFlow 0.10.0 和 scikit-learn v0.18 的示例。 * **2017 年 1 月更新**：更新了 Keras 1.2.0 和 TensorFlow 0.12.1 的示例。 * **2017 年 3 月更新**：更新了 Keras 2.0.2，TensorFlow 1.0.1 和 Theano 0.9.0 的示例。 @@ -42,19 +42,19 @@ datagen = ImageDataGenerator() API 不是在内存中对整个图像数据集执行操作，而是通过深度学习模型拟合过程进行迭代，为您及时创建增强的图像数据，这可以减少内存开销，但在模型训练期间会增加一些额外的时间成本。 -创建并配置 **ImageDataGenerator** 后，你需要通过数据拟合，这个过程将计算实际执行图像数据转换所需的任何统计信息，您可以通过调用数据生成器上的 **fit()**函数并将其传递给训练数据集来完成此操作。 +创建并配置 **ImageDataGenerator** 后，你需要通过数据拟合，这个过程将计算实际执行图像数据转换所需的任何统计信息，您可以通过调用数据生成器上的`fit()`函数并将其传递给训练数据集来完成此操作。 ```py datagen.fit(train) ``` -数据生成器本身实际上是一个迭代器，在请求时返回批量的图像样本。我们可以通过调用 **flow()**函数来配置批量大小并准备数据生成器并获取批量图像。 +数据生成器本身实际上是一个迭代器，在请求时返回批量的图像样本。我们可以通过调用 `flow()`函数来配置批量大小并准备数据生成器并获取批量图像。 ```py X_batch, y_batch = datagen.flow(train, train, batch_size=32) ``` -最后我们可以使用数据生成器,我们必须调用 **fit_generator()**函数并传入数据生成器和所需的时间长度，训练的迭代次数以及总数，而不是在我们的模型上调用 **fit（）**函数。 +最后我们可以使用数据生成器,我们必须调用 `fit_generator()`函数并传入数据生成器和所需的时间长度，训练的迭代次数以及总数，而不是在我们的模型上调用 `fit()`函数。 ```py fit_generator(datagen, samples_per_epoch=len(train), epochs=100) @@ -74,7 +74,7 @@ from keras.datasets import mnist from matplotlib import pyplot # 加载数据 (X_train, y_train), (X_test, y_test) = mnist.load_data() -# create a grid of 3x3 images +# 创建一个3×3的网格图像 for i in range(0, 9): pyplot.subplot(330 + 1 + i) pyplot.imshow(X_train[i], cmap=pyplot.get_cmap('gray')) -- GitLab