如何使用Tensorflow視覺化資料集中的增強資料？

可以使用Tensorflow和Python以及'matplotlib'庫來視覺化增強資料。透過迭代影像並使用'imshow'方法進行繪製。

我們將使用Keras Sequential API，它有助於構建一個用於處理層級堆疊的順序模型，其中每一層都只有一個輸入張量和一個輸出張量。

包含至少一層卷積層的神經網路被稱為卷積神經網路。我們可以使用卷積神經網路來構建學習模型。

我們正在使用Google Colaboratory來執行以下程式碼。Google Colab或Colaboratory幫助在瀏覽器上執行Python程式碼，無需任何配置，並可免費訪問GPU（圖形處理單元）。Colaboratory構建在Jupyter Notebook之上。

當訓練樣本數量較少時，模型會從訓練樣本中的噪聲或不需要的細節中學習。這會對模型在新樣本上的效能產生負面影響。

由於過擬合，模型將無法在新資料集上很好地泛化。避免過擬合的方法有很多。我們將使用資料增強來克服過擬合。

資料增強透過使用隨機變換（這些變換會產生看起來可信的影像）來增強現有樣本，從而生成額外的訓練資料。

這有助於使模型接觸到更多的資料方面，從而幫助模型更好地泛化。以下是一個示例

示例

print("Visualizing the augmented examples")
plt.figure(figsize=(10, 10))
for images, _ in train_ds.take(1):
   for i in range(9):
      augmented_images = data_augmentation(images)
      ax = plt.subplot(3, 3, i + 1)
   plt.imshow(augmented_images[0].numpy().astype("uint8"))
plt.axis("off")

程式碼來源 -https://www.tensorflow.org/tutorials/images/classification