我正在尝试训练用于面部表情检测的 cnn 模型并减少输入类中的不平衡，我使用来自 keras 的 ImageDataGenerator 来扩大我的数据集。

这是我的代码：

我生成了很多图像并将其输入模型进行训练，但它给了我这个错误：无法将输入数组从形状（28709,128）广播到形状（28709）

如何确定此错误的原因？

我正在尝试实施以下论文：https ://arxiv.org/abs/1904.08779 ，以便在 Speech to Text 中取得更好的效果。
我正在尝试使用mozilla DeepSpeech repo 来实现它。它使用 tensorflow 数据集模型来加载数据。

音频转换为频谱图并计算 mfcc，因此当数据到达 augment_spec 函数时，它的形状为 (?, 26)。? 是对可变音频长度进行整形的结果。我试图掩盖图像的某些部分，为此我想乘以张量，一个是 1 和 0 的掩码，使用类似这样的代码

问题是这些说明：

由于在构建图形时张量尚未定义形状，因此不起作用，所以我不知道如何实现这一点。你能帮我解决这个问题吗？非常感谢！！

更新：在@kempy 回答之后，我的代码现在看起来像这样：

但是现在我收到了这个错误：

我不知道如何解决这个问题，谢谢你的帮助

我正在训练一个用于语义分割的 UNET，但我只有 200 个标记图像。鉴于数据集的规模较小，它肯定需要一些数据增强技术。

我对测试和验证集有疑问。

我有自定义数据生成器，它不断从文件夹中为训练模型提供数据。

所以我打算做的是：

• 对训练集进行数据扩充并将所有数据保存在同一个文件夹中

• “随机”选择一些训练数据进入测试和验证集（当然，在训练之前）。

我不确定这是否可以，因为我们只是做了一些简单的处理（翻转、转置、调整亮度）

先分离数据然后对训练文件夹中的其余数据进行扩充会更好吗？

我正在尝试使用 tensorflow 的 left_right 和 up_down 增强函数随机化翻转增强。我通过 tf.cond() 根据布尔条件映射函数时遇到错误

0.1版

0.2版

错误

TypeError：无法将类型对象转换为张量。内容： 。考虑将元素转换为支持的 type.ROR：

让我知道我错过了什么或是否需要更多信息。

我正在研究用于图像分类问题的 CNN（卷积神经网络）。我有一个包含 1000 张图像的数据集，这些图像不足以适应我设计的模型，我想在训练 CNN 之前增加图像的数量。如何使用 python 扩充我的数据集。

train_generator 使用 Keras flow_from_directory 从磁盘读取批量 RGB 图像数据（下面的示例代码）。但就我而言，我有两个图像目录，因此我想读取一对图像并将它们沿深度轴堆叠以在它之前形成一个 6 通道图像（即 2x R、2x G、2x B 通道）转到 fit_generator。

所以，我的问题是如何在使用 Keras flow_from_directory 的同时沿深度轴组合两个 RGB 图像来准备 6 通道输入数据？

我正在从这里关注一个用于分类的示例 CNN 代码：

https://gist.github.com/fchollet/0830affa1f7f19fd47b06d4cf89ed44d

我想做一些随机增强，只在火车时间。

我已将增强合并为图表的一部分——我认为这是一种错误，因为同一个图表也用于测试——而且我不希望测试图像被增强。

我希望仅在测试时应用上述增强 - 怎么做？

我正在尝试使用 pytorch 应用数据增强。特别是，我有一个包含 150 个图像的数据集，我想对每个图像应用 5 个变换（水平翻转、3 个随机旋转和垂直翻转）以获得 750 个图像，但是使用我的代码我总是有 150 个图像。

我需要进行数据扩充，但不需要任何填充模式，, constant, reflect, 。相反，每次旋转或平移图像时，我都希望将其居中裁剪（如下所示），以免出现任何黑色、白色、反射或恒定边缘/边界，如此处所述。nearestwrap

ImageDataGenerator考虑到这些要点，我如何扩展课程（如果这是唯一的方法并且没有开箱即用的中心裁剪）？

1. 保留ImageDataGenerator的现有部分而不是扩充部分，并编写自定义扩充函数

2. 在增强发生之前保留原始大小的图像而不调整大小将是有效的，因为中心裁剪会在调整大小后导致大量数据丢失。Translate/Rotate -> Center crop -> Resize应该比Resize -> Translate/Rotate -> Center crop

我正在训练一个简单的 CNN，其中 Nt=148 + Nv=37 图像分别用于训练和验证。我使用该ImageGenerator.flow_from_directory()方法是因为我计划将来使用数据增强，但目前我不想要任何数据增强。我只想从磁盘中一张一张地读取图像（并且每张都只读取一次，这对于验证非常重要）以避免将所有图像都加载到内存中。

但以下内容让我认为正在发生与预期不同的事情：

1. 训练和验证准确度达到的值不类似于以 148 或 37 作为分母的分数。实际上试图从 delta 的约数中估计一个合理的分母，导致数字远大于 148（大约 534 或 551，见下文（*）为什么我认为它们应该是 19 的倍数）和 37
2. 验证训练和验证数据集上的所有预测（使用单独的程序，它只读取验证目录一次并且不使用上述生成器），显示了一些不完全是 (1-val_acc)*Nv 的失败正如我所料

(*) 最后我发现我用于两者的批量大小都是 19，所以我希望我提供每个 epoch 19*7=133 或 19*8=152 个训练图像和 19 或 38 个图像作为验证集纪元结束。

顺便说一句：是否可以使用model.fit_generator()从 构建的生成器ImageGenerator.flow_from_directory()来实现： - 没有数据增强 - 两个生成器应分别将所有图像分别提供给训练过程和验证过程，每个 epoch 只提供一次 - 洗牌很好，实际上需要，以便每个时期运行不同

同时，我将自己定位为将批量大小设置为等于验证集长度（即 37）。作为训练集数量的一个分隔符，我认为它应该计算出这些数字。

但是我仍然不确定以下代码是否达到了“根本没有数据增强”的要求