建网站怎么赚流量,网站怎么没有排名,wordpress 封包 app,河南网络建站#x1f368; 本文为#x1f517;365天深度学习训练营 中的学习记录博客#x1f356; 原作者#xff1a;K同学啊 | 接辅导、项目定制 文章目录 前言一、我的环境二、代码实现与执行结果1.引入库2.设置GPU#xff08;如果使用的是CPU可以忽略这步#xff09;3.导入数据4.查… 本文为365天深度学习训练营 中的学习记录博客 原作者K同学啊 | 接辅导、项目定制 文章目录 前言一、我的环境二、代码实现与执行结果1.引入库2.设置GPU如果使用的是CPU可以忽略这步3.导入数据4.查看数据5.加载数据6.再次检查数据7.配置数据集8.可视化数据9.构建CNN网络模型10.编译模型11.训练模型12.模型评估 三、知识点详解1.图像增强1.1TensorFlow 之中进行图像数据增强1.1.1使用 tf.keras 的预处理层进行图像数据增强1.1.2 使用 tf.image 进行数据增强 1.2自定义增强函数1.3 图像增强数据与原始数据合并作为新样本 总结 前言
本文将采用CNN实现猫狗识别。简单讲述实现代码与执行结果并浅谈涉及知识点。 关键字图像增强
一、我的环境
电脑系统Windows 11语言环境python 3.8.6编译器pycharm2020.2.3深度学习环境TensorFlow 2.10.1显卡NVIDIA GeForce RTX 4070
二、代码实现与执行结果
1.引入库
from PIL import Image
import numpy as np
from pathlib import Path
import tensorflow as tf
from tensorflow.keras import datasets, layers, models, regularizers
from tensorflow.keras.callbacks import ModelCheckpoint, EarlyStopping
from tensorflow.keras.applications.vgg16 import VGG16
from tensorflow.keras import layers, models, Input
from tensorflow.keras.models import Model
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Dense, Flatten, Dropout, BatchNormalization
from tqdm import tqdm
import tensorflow.keras.backend as K
import matplotlib.pyplot as plt
import warningswarnings.filterwarnings(ignore) # 忽略一些warning内容无需打印2.设置GPU如果使用的是CPU可以忽略这步
前期工作-设置GPU如果使用的是CPU可以忽略这步
# 检查GPU是否可用
print(tf.test.is_built_with_cuda())
gpus tf.config.list_physical_devices(GPU)
print(gpus)
if gpus:gpu0 gpus[0] # 如果有多个GPU仅使用第0个GPUtf.config.experimental.set_memory_growth(gpu0, True) # 设置GPU显存用量按需使用tf.config.set_visible_devices([gpu0], GPU)执行结果
True
[PhysicalDevice(name/physical_device:GPU:0, device_typeGPU)]3.导入数据
数据链接: 猫狗数据
前期工作-导入数据
data_dir rD:\DeepLearning\data\CatDog
data_dir Path(data_dir)4.查看数据
前期工作-查看数据
image_count len(list(data_dir.glob(*/*.png)))
print(图片总数为, image_count)
image_list list(data_dir.glob(cat/*.png))
image Image.open(str(image_list[1]))
# 查看图像实例的属性
print(image.format, image.size, image.mode)
plt.imshow(image)
plt.show()
执行结果
图片总数为 3400
JPEG (512, 512) RGB5.加载数据 数据预处理-加载数据
batch_size 64
img_height 224
img_width 224关于image_dataset_from_directory()的详细介绍可以参考文章https://mtyjkh.blog.csdn.net/article/details/117018789train_ds tf.keras.preprocessing.image_dataset_from_directory(data_dir,validation_split0.2,subsettraining,seed12,image_size(img_height, img_width),batch_sizebatch_size)
val_ds tf.keras.preprocessing.image_dataset_from_directory(data_dir,validation_split0.2,subsetvalidation,seed12,image_size(img_height, img_width),batch_sizebatch_size)
# 我们可以通过class_names输出数据集的标签。标签将按字母顺序对应于目录名称。
class_names train_ds.class_names
print(class_names)运行结果
Found 3400 files belonging to 2 classes.
Using 2720 files for training.
Found 3400 files belonging to 2 classes.
Using 680 files for validation.
[cat, dog]6.再次检查数据
数据预处理-再次检查数据
# Image_batch是形状的张量32,180,180,3。这是一批形状180x180x3的32张图片最后一维指的是彩色通道RGB。
# Label_batch是形状32的张量这些标签对应32张图片
for image_batch, labels_batch in train_ds:print(image_batch.shape)print(labels_batch.shape)break运行结果
(64, 224, 224, 3)
(64,)7.配置数据集
AUTOTUNE tf.data.AUTOTUNEdef preprocess_image(image, label):return (image / 255.0, label)# 归一化处理
train_ds train_ds.map(preprocess_image, num_parallel_callsAUTOTUNE)
val_ds val_ds.map(preprocess_image, num_parallel_callsAUTOTUNE)
test_ds test_ds.map(preprocess_image, num_parallel_callsAUTOTUNE)train_ds train_ds.cache().shuffle(1000).prefetch(buffer_sizeAUTOTUNE)
val_ds val_ds.cache().prefetch(buffer_sizeAUTOTUNE)8.可视化数据
数据预处理-可视化数据
plt.figure(figsize(18, 3))
for images, labels in train_ds.take(2):for i in range(8):ax plt.subplot(1, 8, i 1)plt.imshow(images[i].numpy().astype(uint8))plt.title(class_names[labels[i]], fontsize40)plt.axis(off)
# 显示图片
plt.show()9.构建CNN网络模型
#VGG16
def VGG16(class_names, img_height, img_width):model models.Sequential([# 1layers.Conv2D(filters64, kernel_size(3, 3), activationrelu, paddingsame,input_shape(img_height, img_width, 3)),layers.Conv2D(filters64, kernel_size(3, 3), activationrelu, paddingsame),layers.MaxPool2D(pool_size(2, 2), strides2),# 2layers.Conv2D(filters128, kernel_size(3, 3), activationrelu, paddingsame),layers.Conv2D(filters128, kernel_size(3, 3), activationrelu, paddingsame),layers.MaxPool2D(pool_size(2, 2), strides2),# 3layers.Conv2D(filters256, kernel_size(3, 3), activationrelu, paddingsame),layers.Conv2D(filters256, kernel_size(3, 3), activationrelu, paddingsame),layers.Conv2D(filters256, kernel_size(3, 3), activationrelu, paddingsame),layers.MaxPool2D(pool_size(2, 2), strides2),# 4layers.Conv2D(filters512, kernel_size(3, 3), activationrelu, paddingsame),layers.Conv2D(filters512, kernel_size(3, 3), activationrelu, paddingsame),layers.Conv2D(filters512, kernel_size(3, 3), activationrelu, paddingsame),layers.MaxPool2D(pool_size(2, 2), strides2),# 5layers.Conv2D(filters512, kernel_size(3, 3), activationrelu, paddingsame),layers.Conv2D(filters512, kernel_size(3, 3), activationrelu, paddingsame),layers.Conv2D(filters512, kernel_size(3, 3), activationrelu, paddingsame),layers.MaxPool2D(pool_size(2, 2), strides2),# FClayers.Flatten(),layers.Dense(4096, activationrelu),layers.Dense(4096, activationrelu),layers.Dense(len(class_names), activationsoftmax)])return model
model VGG16(class_names, img_height, img_width)
model.summary()网络结构结果如下
Model: sequential_1
_________________________________________________________________Layer (type) Output Shape Param #
conv2d (Conv2D) (None, 224, 224, 64) 1792 conv2d_1 (Conv2D) (None, 224, 224, 64) 36928 max_pooling2d (MaxPooling2D (None, 112, 112, 64) 0 ) conv2d_2 (Conv2D) (None, 112, 112, 128) 73856 conv2d_3 (Conv2D) (None, 112, 112, 128) 147584 max_pooling2d_1 (MaxPooling (None, 56, 56, 128) 0 2D) conv2d_4 (Conv2D) (None, 56, 56, 256) 295168 conv2d_5 (Conv2D) (None, 56, 56, 256) 590080 conv2d_6 (Conv2D) (None, 56, 56, 256) 590080 max_pooling2d_2 (MaxPooling (None, 28, 28, 256) 0 2D) conv2d_7 (Conv2D) (None, 28, 28, 512) 1180160 conv2d_8 (Conv2D) (None, 28, 28, 512) 2359808 conv2d_9 (Conv2D) (None, 28, 28, 512) 2359808 max_pooling2d_3 (MaxPooling (None, 14, 14, 512) 0 2D) conv2d_10 (Conv2D) (None, 14, 14, 512) 2359808 conv2d_11 (Conv2D) (None, 14, 14, 512) 2359808 conv2d_12 (Conv2D) (None, 14, 14, 512) 2359808 max_pooling2d_4 (MaxPooling (None, 7, 7, 512) 0 2D) flatten (Flatten) (None, 25088) 0 dense (Dense) (None, 4096) 102764544 dense_1 (Dense) (None, 4096) 16781312 dense_2 (Dense) (None, 2) 8194
Total params: 134,268,738
Trainable params: 134,268,738
Non-trainable params: 0
_________________________________________________________________10.编译模型
编译模型
#设置初始学习率
initial_learning_rate 1e-4
opt tf.keras.optimizers.Adam(learning_rateinitial_learning_rate)
model.compile(optimizeropt,losssparse_categorical_crossentropy,metrics[accuracy])11.训练模型
训练模型
epochs 10
history model.fit(train_ds,validation_dataval_ds,epochsepochs,shuffleFalse
)
训练记录如下
Epoch 1/1043/43 [] - 42s 606ms/step - loss: 0.6830 - accuracy: 0.5511 - val_loss: 0.7328 - val_accuracy: 0.6630
Epoch 2/10
43/43 [] - 17s 384ms/step - loss: 0.4927 - accuracy: 0.7614 - val_loss: 0.3283 - val_accuracy: 0.8714
Epoch 3/10
43/43 [] - 17s 385ms/step - loss: 0.2113 - accuracy: 0.9165 - val_loss: 0.1986 - val_accuracy: 0.9221
Epoch 4/10
43/43 [] - 17s 385ms/step - loss: 0.1173 - accuracy: 0.9555 - val_loss: 0.0977 - val_accuracy: 0.9620
Epoch 5/10
43/43 [] - 17s 385ms/step - loss: 0.0561 - accuracy: 0.9798 - val_loss: 0.0789 - val_accuracy: 0.9728
Epoch 6/10
43/43 [] - 17s 385ms/step - loss: 0.0483 - accuracy: 0.9816 - val_loss: 0.0578 - val_accuracy: 0.9783
Epoch 7/10
43/43 [] - 17s 385ms/step - loss: 0.0457 - accuracy: 0.9838 - val_loss: 0.0551 - val_accuracy: 0.9783
Epoch 8/10
43/43 [] - 17s 385ms/step - loss: 0.0372 - accuracy: 0.9875 - val_loss: 0.0985 - val_accuracy: 0.9692
Epoch 9/10
43/43 [] - 17s 385ms/step - loss: 0.0324 - accuracy: 0.9915 - val_loss: 0.0264 - val_accuracy: 0.9873
Epoch 10/10
43/43 [] - 17s 385ms/step - loss: 0.0109 - accuracy: 0.9967 - val_loss: 0.0408 - val_accuracy: 0.9891
2/2 [] - 0s 116ms/step - loss: 0.0615 - accuracy: 0.9922
Accuracy 0.9921875
12.模型评估
模型评估
acc history.history[accuracy]
val_acc history.history[val_accuracy]
loss history.history[loss]
val_loss history.history[val_loss]
epochs_range range(len(loss))
plt.figure(figsize(12, 4))
plt.subplot(1, 2, 1)
plt.plot(epochs_range, acc, labelTraining Accuracy)
plt.plot(epochs_range, val_acc, labelValidation Accuracy)
plt.legend(loclower right)
plt.title(Training and Validation Accuracy)
plt.subplot(1, 2, 2)
plt.plot(epochs_range, loss, labelTraining Loss)
plt.plot(epochs_range, val_loss, labelValidation Loss)
plt.legend(locupper right)
plt.title(Training and Validation Loss)
plt.show()loss, acc model.evaluate(test_ds)
print(Accuracy, acc)执行结果
2/2 [] - 0s 116ms/step - loss: 0.0615 - accuracy: 0.9922
Accuracy 0.9921875三、知识点详解
1.图像增强
在深度学习中有的时候训练集不够多或者某一类数据较少或者为了防止过拟合让模型更加鲁棒性data augmentation是一个不错的选择。 通过数据增强我们可以将一些已经存在的数据进行相应的变换可以选择将这些变换之后的数据增加到新的原来的数据集之中也可以直接在原来的数据集上进行变换从而实现数据种类多样性的增加。 对于图片数据常见的数据增强方式包括
随机水平翻转随机的裁剪随机调整明亮程度其他方式等
1.1TensorFlow 之中进行图像数据增强
在 TensorFlow 之中进行图像数据增强的方式主要有两种
使用 tf.keras 的预处理层进行图像数据增强使用 tf.image 进行数据增强。
1.1.1使用 tf.keras 的预处理层进行图像数据增强
使用 tf.keras 的预处理层进行图像数据增强要使用的最主要的 API 包括在一下包之中
tf.keras.layers.experimental.preprocessing在这个包之中我们最常用的数据增强 API 包括
tf.keras.layers.experimental.preprocessing.RandomFlip(mode): 将输入的图片进行随机翻转一般我们会取 mode“horizontal” 因为这代表水平旋转而 mode“vertical” 则代表随机进行上下翻转 tf.keras.layers.experimental.preprocessing.RandomRotation§: 按照旋转角度单位为弧度 p 将输入的图片进行随机的旋转 tf.keras.layers.experimental.preprocessing.RandomContrast§按照 P 的概率将输入的图片进行随机的图像色相翻转 tf.keras.layers.experimental.preprocessing.CenterCrop(height, width)使用 height * width 的大小的裁剪框在数据的中心进行裁剪。 该API有两种使用方式一个是将其嵌入model中一个是在Dataset数据集中进行数据增强
方式一嵌入model中 调用方式如下
# tf.keras.layers.experimental.preprocessing图像增强 第一个层表示进行随机的水平和垂直翻转而第二个层表示按照 0.2 的弧度值进行随机旋转。
data_augmentation tf.keras.Sequential([tf.keras.layers.experimental.preprocessing.RandomFlip(horizontal_and_vertical,input_shape(img_height, img_width, 3)),tf.keras.layers.experimental.preprocessing.RandomRotation(0.2),
])
model tf.keras.Sequential([data_augmentation,layers.Conv2D(16, 3, paddingsame, activationrelu),layers.MaxPooling2D(),
])
# 图像增强 可视化效果图
for images, labels in train_ds.take(1):# Add the image to a batch.image tf.expand_dims(images[0], 0)plt.figure(figsize(8, 8))for i in range(9):augmented_image data_augmentation(image)ax plt.subplot(3, 3, i 1)plt.imshow(augmented_image[0])plt.axis(off)plt.show()break本文案例使用如下
data_augmentation tf.keras.Sequential([tf.keras.layers.experimental.preprocessing.RandomFlip(horizontal_and_vertical,input_shape(img_height, img_width, 3)),tf.keras.layers.experimental.preprocessing.RandomRotation(0.2),
])
#方式一图像增强tf.keras.layers.experimental.preprocessing方式实现的图像增强嵌入模型中
#只有在模型训练时Model.fit才会进行增强在模型评估(Model.evaluate)以及预测(Model.predict)时并不会进行增强操作
def VGG16_aug0(class_names, img_height, img_width):model models.Sequential([data_augmentation,# 1layers.Conv2D(filters64, kernel_size(3, 3), activationrelu, paddingsame,input_shape(img_height, img_width, 3)),layers.Conv2D(filters64, kernel_size(3, 3), activationrelu, paddingsame),layers.MaxPool2D(pool_size(2, 2), strides2),# 2layers.Conv2D(filters128, kernel_size(3, 3), activationrelu, paddingsame),layers.Conv2D(filters128, kernel_size(3, 3), activationrelu, paddingsame),layers.MaxPool2D(pool_size(2, 2), strides2),# 3layers.Conv2D(filters256, kernel_size(3, 3), activationrelu, paddingsame),layers.Conv2D(filters256, kernel_size(3, 3), activationrelu, paddingsame),layers.Conv2D(filters256, kernel_size(3, 3), activationrelu, paddingsame),layers.MaxPool2D(pool_size(2, 2), strides2),# 4layers.Conv2D(filters512, kernel_size(3, 3), activationrelu, paddingsame),layers.Conv2D(filters512, kernel_size(3, 3), activationrelu, paddingsame),layers.Conv2D(filters512, kernel_size(3, 3), activationrelu, paddingsame),layers.MaxPool2D(pool_size(2, 2), strides2),# 5layers.Conv2D(filters512, kernel_size(3, 3), activationrelu, paddingsame),layers.Conv2D(filters512, kernel_size(3, 3), activationrelu, paddingsame),layers.Conv2D(filters512, kernel_size(3, 3), activationrelu, paddingsame),layers.MaxPool2D(pool_size(2, 2), strides2),# FClayers.Flatten(),layers.Dense(4096, activationrelu),layers.Dense(4096, activationrelu),layers.Dense(len(class_names), activationsoftmax)])return model
model VGG16_aug0(class_names, img_height, img_width) # 方式一图像增强
model.summary()# 图像增强 可视化效果图
for images, labels in train_ds.take(1):# Add the image to a batch.image tf.expand_dims(images[0], 0)plt.figure(figsize(8, 8))for i in range(9):augmented_image data_augmentation(image)ax plt.subplot(3, 3, i 1)plt.imshow(augmented_image[0])plt.axis(off)plt.show()break方式二在Dataset数据集中进行数据增强 本文案例使用如下
#方式二图像增强tf.keras.layers.experimental.preprocessing方式实现的图像增强.在Dataset数据集中进行数据增强
AUTOTUNE tf.data.AUTOTUNEdef prepare(ds):ds ds.map(lambda x, y: (data_augmentation(x, trainingTrue), y), num_parallel_callsAUTOTUNE)return ds
train_ds1 prepare(train_ds)训练模型
epochs 20
history model.fit(train_ds1,validation_dataval_ds,epochsepochs
)本文试验效果并不理想
1.1.2 使用 tf.image 进行数据增强
使用 tf.image 是 TensorFlow 最原生的一种增强方式使用这种方式可以实现更多、更加个性化的数据增强。
其中包含的数据增强方式主要包括
tf.image.flip_left_right (img)将图片进行水平翻转 tf.image.rgb_to_grayscale (img)将 RGB 图像转化为灰度图像 tf.image.adjust_saturation (image, f)将 image 图像按照 f 参数进行饱和度的调节 tf.image.adjust_brightness (image, f)将 image 图像按照 f 参数进行亮度的调节 tf.image.central_crop (image, central_fraction)按照 p 的比例进行图片的中心裁剪比如如果 p 是 0.5 那么裁剪后的长、宽就是原来图像的一半 tf.image.rot90 (image)将 image 图像逆时针旋转 90 度。 可以看到很多的 tf.image 数据增强方式并不提供随机化选项因此我们需要手动进行随机化。
也正是因为上述特性tf.image 数据增强主要用在一些自定义的模型之中从而可以实现数据增强的自定义化。
参考链接在 TensorFlow 之中进行数据增强
1.2自定义增强函数
import random
# 这是大家可以自由发挥的一个地方
def aug_img(image,label):seed (random.randint(0, 9), 0)# 随机改变图像对比度stateless_random_brightness tf.image.stateless_random_contrast(image, lower0.1, upper1.0, seedseed)return stateless_random_brightness,label
train_ds2 train_ds.map(aug_img, num_parallel_callsAUTOTUNE)# 图像增强 可视化效果图
for images, labels in train_ds.take(1):# Add the image to a batch.image tf.expand_dims(images[0], 0)plt.figure(figsize(8, 8))for i in range(9):augmented_image aug_img(image)ax plt.subplot(3, 3, i 1)# plt.imshow(augmented_image[0].numpy().astype(uint8))plt.imshow(augmented_image[0][0])plt.axis(off)plt.show()break 效果也不是很理想知道调用方法就行针对不同案例实现图像增强
1.3 图像增强数据与原始数据合并作为新样本
操作步骤如下
读取原始数据并图像增强保存增强效果图将原始数据与新生成的增强数据一起符号链接到新目录
读取原始数据并图像增强保存增强效果图
from pathlib import Path
import cv2
import matplotlib.pyplot as plt
import warningswarnings.filterwarnings(ignore) # 忽略一些warning内容无需打印
def saveaugimg(imgfile,newdir,prefixaug_):# cv2保存中文路径的图像imgFile imgfile # 读取文件的路径img cv2.imread(imgFile, flags1) # flags1 读取彩色图像(BGR)img1 cv2.flip(img, 2) # 水平翻转img2 cv2.cvtColor(img1, cv2.COLOR_BGR2RGB)# plt.imshow(img2)# plt.show()saveFile imgfile.replace(rD:\DeepLearning\data\CatDog, newdir) # 带有中文的保存文件路径newnameprefixstr(Path(imgfile).name)saveFile Path(saveFile).parent / newnamePath(saveFile).parent.mkdir(parentsTrue, exist_okTrue) # 创建新文件夹# cv2.imwrite(saveFile, img) # imwrite 不支持中文路径和文件名读取失败但不会报错!img_write cv2.imencode(.jpg, img1)[1].tofile(saveFile)dirsrD:\DeepLearning\data\CatDog
newdir rD:\DeepLearning\data\CatDog_aug
for p in Path(dirs).rglob(*):if p.is_file(): # 如果是文件imgfilestr(p)saveaugimg(imgfile, newdir)将原始数据与新生成的增强数据一起符号链接到新目录
from pathlib import Path# 对目录dirs做符号链接
def createslinkbatfile(dirs, slinkdirs, batfileslink.bat):print(f为{dirs}创建符号链接目录{slinkdirs}\n)# 创建符号链接目录Path(slinkdirs).mkdir(parentsTrue, exist_okTrue)# 创建bat文件,为了解决bat脚本中文输出乱码问题# 我们需要在bat脚本开头添加chcp 65001来设置控制台编码格式为UTF-8。# 同时我们还需要使用setlocal enabledelayedexpansion启用延迟变量扩展with open(batfile, a, encodingutf-8) as file:file.write(echo off\nchcp 65001\nsetlocal enabledelayedexpansion \n)# 遍历目标目录下的文件夹及文件创建符号链接cmd命令for p in Path(dirs).rglob(*):slink Path(str(p).replace(str(dirs), str(slinkdirs))) # 替换符号链接文件夹目录if p.is_dir(): # 目录符号链接command fmklink /d \{slink}\ \{str(p)}\else: # 文件符号链接command fmklink \{slink}\ \{str(p)}\# 将符号链接cmd命令写入bat文件with open(batfile, a, encodingutf-8) as file:# 增加编码encodingutf-8解决中文乱码问题解决方法file.write(command \n)print(command)# 对目录dirs做符号链接,生成后右击bat文件选用管理员身份运行Path(slink.bat).unlink(missing_okFalse)# 删除bat文件
dirsrD:\DeepLearning\data\CatDog
newdirs rD:\DeepLearning\data\CatDog_aug
slinkdirs rD:\DeepLearning\data\CatDog_all
createslinkbatfile(dirs, slinkdirs)
createslinkbatfile(newdirs, slinkdirs)
部分bat内容同如下
echo off
chcp 65001
setlocal enabledelayedexpansion
mklink /d D:\DeepLearning\data\CatDog_all\cat D:\DeepLearning\data\CatDog\cat
mklink /d D:\DeepLearning\data\CatDog_all\dog D:\DeepLearning\data\CatDog\dog
mklink D:\DeepLearning\data\CatDog_all\cat\flickr_cat_000002.jpg D:\DeepLearning\data\CatDog\cat\flickr_cat_000002.jpg
mklink D:\DeepLearning\data\CatDog_all\cat\flickr_cat_000003.jpg D:\DeepLearning\data\CatDog\cat\flickr_cat_000003.jpg
mklink D:\DeepLearning\data\CatDog_all\cat\flickr_cat_000004.jpg D:\DeepLearning\data\CatDog\cat\flickr_cat_000004.jpg
mklink D:\DeepLearning\data\CatDog_all\cat\flickr_cat_000005.jpg D:\DeepLearning\data\CatDog\cat\flickr_cat_000005.jpgtf.keras.preprocessing.image_dataset_from_directory传入新的文件夹目录
data_dir1 rD:\DeepLearning\data\CatDog_all # 将自定义数据增强后的数据保存后与原始数据一起合并加入样本中
data_dir Path(data_dir1)总结
通过本次的学习学习到了几种图像增强调用方式原文中增强方式均为增强数据替代原始数据加入训练集本文加入将增强数据与原始数据一起合并作为样本的方法本文中的增强方式加入案例效果并没有很理想跟数据集实际情况有关可将本文提到的图像增强方式运用到其他案例中。 文章转载自： http://www.morning.yrlfy.cn.gov.cn.yrlfy.cn http://www.morning.hjssh.cn.gov.cn.hjssh.cn http://www.morning.rwcw.cn.gov.cn.rwcw.cn http://www.morning.gmmyn.cn.gov.cn.gmmyn.cn http://www.morning.rcklc.cn.gov.cn.rcklc.cn http://www.morning.czgfn.cn.gov.cn.czgfn.cn http://www.morning.brps.cn.gov.cn.brps.cn http://www.morning.qsy41.cn.gov.cn.qsy41.cn http://www.morning.stflb.cn.gov.cn.stflb.cn http://www.morning.gsqw.cn.gov.cn.gsqw.cn http://www.morning.rzbgn.cn.gov.cn.rzbgn.cn http://www.morning.yksf.cn.gov.cn.yksf.cn http://www.morning.ymhzd.cn.gov.cn.ymhzd.cn http://www.morning.kgjyy.cn.gov.cn.kgjyy.cn http://www.morning.jwtjf.cn.gov.cn.jwtjf.cn http://www.morning.rdkqt.cn.gov.cn.rdkqt.cn http://www.morning.shuanga.com.cn.gov.cn.shuanga.com.cn http://www.morning.dnmgr.cn.gov.cn.dnmgr.cn http://www.morning.jbblf.cn.gov.cn.jbblf.cn http://www.morning.rgnq.cn.gov.cn.rgnq.cn http://www.morning.jbnss.cn.gov.cn.jbnss.cn http://www.morning.kpwcx.cn.gov.cn.kpwcx.cn http://www.morning.npmcf.cn.gov.cn.npmcf.cn http://www.morning.qbjgw.cn.gov.cn.qbjgw.cn http://www.morning.sacxbs.cn.gov.cn.sacxbs.cn http://www.morning.qkdjq.cn.gov.cn.qkdjq.cn http://www.morning.hslgq.cn.gov.cn.hslgq.cn http://www.morning.jnptt.cn.gov.cn.jnptt.cn http://www.morning.msgnx.cn.gov.cn.msgnx.cn http://www.morning.gpxbc.cn.gov.cn.gpxbc.cn http://www.morning.dbqg.cn.gov.cn.dbqg.cn http://www.morning.kntbk.cn.gov.cn.kntbk.cn http://www.morning.fpjxs.cn.gov.cn.fpjxs.cn http://www.morning.rrpsw.cn.gov.cn.rrpsw.cn http://www.morning.cxryx.cn.gov.cn.cxryx.cn http://www.morning.yfmlj.cn.gov.cn.yfmlj.cn http://www.morning.pwrkl.cn.gov.cn.pwrkl.cn http://www.morning.zcnfm.cn.gov.cn.zcnfm.cn http://www.morning.qxmnf.cn.gov.cn.qxmnf.cn http://www.morning.rlsd.cn.gov.cn.rlsd.cn http://www.morning.ytbr.cn.gov.cn.ytbr.cn http://www.morning.xtkw.cn.gov.cn.xtkw.cn http://www.morning.wfjrl.cn.gov.cn.wfjrl.cn http://www.morning.mznqz.cn.gov.cn.mznqz.cn http://www.morning.nnrqg.cn.gov.cn.nnrqg.cn http://www.morning.kghss.cn.gov.cn.kghss.cn http://www.morning.bpmnh.cn.gov.cn.bpmnh.cn http://www.morning.nkmw.cn.gov.cn.nkmw.cn http://www.morning.mzcrs.cn.gov.cn.mzcrs.cn http://www.morning.splcc.cn.gov.cn.splcc.cn http://www.morning.tgbx.cn.gov.cn.tgbx.cn http://www.morning.dpnhs.cn.gov.cn.dpnhs.cn http://www.morning.stlgg.cn.gov.cn.stlgg.cn http://www.morning.syhwc.cn.gov.cn.syhwc.cn http://www.morning.gqfjb.cn.gov.cn.gqfjb.cn http://www.morning.bnxfj.cn.gov.cn.bnxfj.cn http://www.morning.lmbm.cn.gov.cn.lmbm.cn http://www.morning.lmjkn.cn.gov.cn.lmjkn.cn http://www.morning.rhmk.cn.gov.cn.rhmk.cn http://www.morning.rbjf.cn.gov.cn.rbjf.cn http://www.morning.monstercide.com.gov.cn.monstercide.com http://www.morning.pcbfl.cn.gov.cn.pcbfl.cn http://www.morning.kbkcl.cn.gov.cn.kbkcl.cn http://www.morning.rqqmd.cn.gov.cn.rqqmd.cn http://www.morning.drndl.cn.gov.cn.drndl.cn http://www.morning.mwqbp.cn.gov.cn.mwqbp.cn http://www.morning.fzwf.cn.gov.cn.fzwf.cn http://www.morning.tbjtp.cn.gov.cn.tbjtp.cn http://www.morning.qqhersx.com.gov.cn.qqhersx.com http://www.morning.jkcpl.cn.gov.cn.jkcpl.cn http://www.morning.xczyj.cn.gov.cn.xczyj.cn http://www.morning.smdkk.cn.gov.cn.smdkk.cn http://www.morning.nrzbq.cn.gov.cn.nrzbq.cn http://www.morning.wblpn.cn.gov.cn.wblpn.cn http://www.morning.rqsnl.cn.gov.cn.rqsnl.cn http://www.morning.bqrd.cn.gov.cn.bqrd.cn http://www.morning.xprq.cn.gov.cn.xprq.cn http://www.morning.pcqxr.cn.gov.cn.pcqxr.cn http://www.morning.xhsxj.cn.gov.cn.xhsxj.cn http://www.morning.tpkxs.cn.gov.cn.tpkxs.cn
