我制作了一个 DCGAN，我试图在只有 1200 张图像的自定义数据集上进行训练。我试图收集更多，但即使收集这 1200 个也已经够难了。如果您想知道我使用 Google Chrome 扩展程序“Fakun Batch Download Image”来收集我的数据集。
训练细节： 在训练过程中，我同时更新生成器和鉴别器网络的参数。我读过它的效果要好得多，然后只训练一名玩家（鉴别器）进行 K 步，然后训练其他人（生成器）进行 K 步。
问题：我是否应该对所有这些图像执行某种转换，然后将转换后的图像与初始图像合并，或者类似的东西？
深度学习算法将学习从输入空间到输出的映射函数。输入图像的变化将在此函数中学习。因此，您在扩充数据集时需要考虑这一事实。输入特征的分布应该简明扼要地反映您计划建模的内容。
因此，您在添加数据和向输入空间添加可变性之间保持平衡。例如，在尝试生成龙珠角色时旋转 180 度可能不值得。他们的头不应该在他们的脚所在的地方。您希望您的网络了解图像的底部应该包含一些奇怪的太空靴，以及顶部的异国情调的发型或光头。
以下是一些有用的转换，可用于获取更多数据
在 Keras 中，您可以使用这些ImageDataGenerator功能。
import numpy as np
from keras.datasets import mnist
from keras.preprocessing.image import ImageDataGenerator
import matplotlib.pyplot as plt
%matplotlib inline
# load data
(X_train, y_train), (X_test, y_test) = mnist.load_data()
X_train = X_train.astype('float32')
# set up your data generator
datagen = ImageDataGenerator(
featurewise_center=True,
featurewise_std_normalization=True,
rotation_range=60,
width_shift_range=0.2,
height_shift_range=0.2,
shear_range=0.2,
zoom_range=0.2,
horizontal_flip=True,
vertical_flip = True)
# Fit the generator using your data
datagen.fit(X_train.reshape((len(X_train), 28, 28, 1)))
# let's look at some generated images
image = X_train[5]
plt.figure(figsize=(12,12))
plt.subplot(4, 4, 1)
plt.imshow(image.reshape((28,28)), cmap='gray')
for j in range(15):
augmented = datagen.random_transform(image.reshape((28,28,1)))
plt.subplot(4, 4, j+2)
plt.imshow(augmented.reshape((28,28)), cmap='gray')
plt.tight_layout()
plt.show()