L’augmentation des données consiste à appliquer diverses transformations aux données d’apprentissage. Elle permet d’augmenter la diversité de l’ensemble de données et d’éviter l’ajustement excessif. L’ajustement excessif se produit principalement lorsque vous disposez d’un nombre limité de données pour former votre modèle.
Ici, vous apprendrez à utiliser le module d’augmentation des données de TensorFlow pour diversifier votre ensemble de données. Cela permet d’éviter l’overfitting en générant de nouveaux points de données légèrement différents des données d’origine.
L’échantillon de données que vous utiliserez
Vous allez utiliser l’ensemble de données sur les chats et les chiens de Kaggle. Cet ensemble de données contient environ 3 000 images de chats et de chiens. Ces images sont réparties entre les ensembles d’entraînement, de test et de validation.
L’étiquette 1.0 représente un chien tandis que l’étiquette 0.0 représente un chat.
Le code source complet mettant en œuvre les techniques d’augmentation des données et celui qui ne le fait pas sont disponibles dans un dépôt GitHub.
Installation et importation de TensorFlow
Pour continuer, vous devez avoir une connaissance de base de Python. Vous devez également avoir des connaissances de base sur l’apprentissage automatique. Si vous avez besoin d’une remise à niveau, vous pouvez envisager de suivre quelques tutoriels sur l’apprentissage automatique.
Ouvrez Google Colab. Changez le type d’exécution en GPU. Ensuite, exécutez la commande magique suivante sur la première cellule de code pour installer TensorFlow dans votre environnement.
!pip install tensorflow Importez TensorFlow et ses modules et classes pertinents.
import tensorflow as tf
from tensorflow.keras.preprocessing.image import ImageDataGenerator
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Dropout L’outil tensorflow.keras.preprocessing.image vous permettra d’effectuer une augmentation des données sur votre jeu de données.
Création d’instances de la classe ImageDataGenerator
Créer une instance de la classe ImageDataGenerator pour les données d’apprentissage. Vous utiliserez cet objet pour le prétraitement des données d’entraînement. Il génère des lots de données d’images augmentées en temps réel pendant l’apprentissage du modèle.
Pour classer une image comme étant un chat ou un chien, vous pouvez utiliser les techniques de retournement, de largeur aléatoire, de hauteur aléatoire, de luminosité aléatoire et d’agrandissement des données. Ces techniques génèrent de nouvelles données qui contiennent des variations des données originales représentant des scénarios du monde réel.
train_datagen = ImageDataGenerator(rescale=1./
