大佬教程收集整理的这篇文章主要介绍了使用 SMOTE 过采样批量进行图像增强，而不会耗尽 RAM，大佬教程大佬觉得挺不错的，现在分享给大家，也给大家做个参考。
我正在尝试使用不平衡的数据集来馈送神经网络。我正在使用 colab。我在 kaggle 上找到了这段代码，它使用 keras ImageDataGenerator 进行增强和 SMOTE 对数据进行过采样：
增强：
ZOOM = [.99,1.01]
BRIGHT_RANGE = [0.8,1.2]
HORZ_FliP = True
FILL_MODE = "constant"
DATA_FORMAT = "chAnnels_last"
work_dr = ImageDataGenerator(rescale = 1./255,brightness_range=BRIGHT_RANGE,zoom_range=ZOOM,data_format=DATA_FORMAT,fill_mode=FILL_MODE,horizontal_flip=HORZ_Flip)
Train_data_gen = work_dr.flow_from_directory(directory=WORK_DIR,target_size=DIM,batch_size=6500,shuffle=falsE)
然后他使用 next() 迭代器加载图像：
Train_data,Train_labels = Train_data_gen.next()
print(Train_data.shape,Train_labels.shapE)
给出以下输出：
(6400,176,3) (6400,4)
此时它已经消耗了我在 Colab 上大约 70% 的 RAM，更不用说加载图像所需的时间了。请注意，批量大小设置为 6500，这是一个非常大的值，但是如果我将其设置为 32 或 64 之类的值，那么当我使用 next() 时只会加载第一批 然后，为了对数据进行过采样，他使用了 SMOTE：
#Performing over-sampling of the data,since the classes are imbalanced
sm = SMOTE(random_state=42)
Train_data,Train_labels = sm.fit_resample(Train_data.reshape(-1,img_SIZE * img_SIZE * 3),Train_labels)
Train_data = Train_data.reshape(-1,img_SIZE,3)
print(Train_data.shape,Train_labels.shapE)
这应该给出以下输出：
(12800,3) (12800,4)
但相反，它使我的内存过载，并且由于 RAM 不足导致 Colab 崩溃。我不太擅长编码，所以我很难实现我想要的。我想要的是将成批的增强和过采样数据提供给我的神经网络，而无需一次加载整个数据集，从而节省内存。我的问题是，有没有办法做到这一点？如果是这样，你能告诉我怎么做吗？
暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！
如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。
小编邮箱:dio#foxmail.com (将#修改为@）
以上是大佬教程为你收集整理的使用 SMOTE 过采样批量进行图像增强，而不会耗尽 RAM全部内容，希望文章能够帮你解决使用 SMOTE 过采样批量进行图像增强，而不会耗尽 RAM所遇到的程序开发问题。
如果觉得大佬教程网站内容还不错，欢迎将大佬教程推荐给程序员好友。
本图文内容来源于网友网络收集整理提供，作为学习参考使用，版权属于原作者。
如您有任何意见或建议可联系处理。小编QQ：384754419，请注明来意。