本文涉及到的是中国大学慕课《人工智能实践：Tensorflow笔记》第四讲的内容，对神经网络八股进行拓展。这里介绍的是通过tensorflow实现mnist手写数字的数据增强，即图像增强的简单应用。
在tensorflow中，常用的图像增强方法有以下几种： 缩放系数：rescale=所有数据将乘以提供的值 随机旋转：rotation_range=随机旋转角度数范围 宽度偏移：width_shift_range=随机宽度偏移量 高度偏移：height_shift_range=随机高度偏移量 水平翻转：horizontal_flip=是否水平随机翻转 随机缩放：zoom_range=随机缩放的范围 [1-n，1+n]
代码示例：
image_gen_train = ImageDataGenerator( rescale=1./255, #原像素值 0～255 归至 0～1 rotation_range=45, #随机 45 度旋转 width_shift_range=.15, #随机宽度偏移 [-0.15,0.15) height_shift_range=.15, #随机高度偏移 [-0.15,0.15) horizontal_flip=True, #随机水平翻转 zoom_range=0.5 #随机缩放到 [1-50％，1+50%] )从神经网络搭建的六步法来看，与DL with python(6)——Keras实现手写数字识别（全连接网络）中直接导入mnist数据的代码相比，数据增强的代码在第一步、第二步和第五步有所改动。
需要注意的是，因为mnist数据集的数据质量较好，因此对其进行数据增强的效果并不明显，需要在实际应用中体会数据增强的作用。今后有机会将其运用到实际数据中，我再进行介绍。
# 第一步，导入相关模块 import tensorflow as tf from tensorflow.keras.preprocessing.image import ImageDataGenerator # 第二步，导入数据集 mnist = tf.keras.datasets.mnist (x_train, y_train), (x_test, y_test) = mnist.load_data() x_train, x_test = x_train / 255.0, x_test / 255.0 x_train = x_train.reshape(x_train.shape[0], 28, 28, 1) # 给数据增加一个维度,从(60000, 28, 28)reshape为(60000, 28, 28, 1) image_gen_train = ImageDataGenerator( rescale=1. / 1., # 如为图像，分母为255时，可归至0～1 rotation_range=45, # 随机45度旋转 width_shift_range=.15, # 宽度偏移 height_shift_range=.15, # 高度偏移 horizontal_flip=False, # 水平翻转 zoom_range=0.5 # 将图像随机缩放阈量50％ ) image_gen_train.fit(x_train) # 第三步，搭建网络结构 model = tf.keras.models.Sequential([ tf.keras.layers.Flatten(), # 输入特征拉直为1-D数组 tf.keras.layers.Dense(128, activation='relu'), # 网络层1 tf.keras.layers.Dense(10, activation='softmax') # 网络层2，输出概率分布 ]) # 第四步，配置训练方法 model.compile(optimizer='adam', loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False), metrics=['sparse_categorical_accuracy']) # 第五步，执行训练，依次为训练集样本，训练集标签，小批量大小32，训练轮次5，测试集，训练集循环1轮次进行一次测试 model.fit(image_gen_train.flow(x_train, y_train, batch_size=32), epochs=5, validation_data=(x_test, y_test), validation_freq=1) # 第六步，打印网络结构和参数统计 model.summary()