当您正在处理图像分类并且还希望实现一些数据增强时，您可以将两者结合起来并使用强大的“ImageDataGenerator”类直接从文件夹加载批次。

看看优秀的文档！

我不会从该链接复制和粘贴示例，但我可以概述您所经历的步骤：

1. 创建生成器类： data_gen = ImageDataGenerator()

2. 如果您希望它为您执行动态增强，可以在创建类时指定： data_gen = ImageDataGenerator(samplewise_center=True, ...)

3. 如果您使用需要有关数据集的一些统计信息的增强过程，例如feature_wise归一化（不是 sample-wise），您必须通过向生成器显示一些数据来准备生成器data_gen.fit(training_data)：这种fit方法只是简单地预先计算平均值和标准差等东西，稍后用于标准化。

4. 生成器进入模型的fit_generator方法，我们调用flow_from_directory生成器的方法：

   model.fit_generator(training_data=data_gen.flow_from_directory('/path/to/folder/'), ...)

您还可以使用 ImageDataGenerator 为您的验证数据创建一个单独的生成器，然后您不应该在其中应用扩充，以便在真实数据上完成验证测试，为您提供模型性能的准确图片。

无论如何，理论上这些生成器将永远运行，从您的文件夹中生成批次。因此，我建议使用 Keras 的回调函数在满足特定条件时停止。请参阅EarlyStopping 类的文档。您也可以手动执行此操作，但 Keras 让它变得非常简单！

如果您想要细粒度的控制，您可以手动执行上述所有操作，从磁盘为单个批次加载足够的样本，执行一些扩充，然后运行该model.train_on_batch()方法。如果您想深入了解细节，最好先学习 Keras 的方式，然后根据需要结合 Tensorflow 进行自己的详细模型。两者可以很好地搭配使用！