Nuestro team redactor ha estado mucho tiempo buscando para darle respuesta a tu duda, te regalamos la respuesta así que deseamos serte de gran apoyo.
Solución:
Prueba este generador:
def generator_two_img(X1, X2, y, batch_size):
genX1 = gen.flow(X1, y, batch_size=batch_size, seed=1)
genX2 = gen.flow(X2, y, batch_size=batch_size, seed=1)
while True:
X1i = genX1.next()
X2i = genX2.next()
yield [X1i[0], X2i[0]], X1i[1]
Generador para 3 entradas:
def generator_three_img(X1, X2, X3, y, batch_size):
genX1 = gen.flow(X1, y, batch_size=batch_size, seed=1)
genX2 = gen.flow(X2, y, batch_size=batch_size, seed=1)
genX3 = gen.flow(X3, y, batch_size=batch_size, seed=1)
while True:
X1i = genX1.next()
X2i = genX2.next()
X3i = genX3.next()
yield [X1i[0], X2i[0], X3i[0]], X1i[1]
Tengo una implementación para múltiples entradas para TimeseriesGenerator
que lo he adaptado (no he podido probarlo lamentablemente) para cumplir con este ejemplo con ImageDataGenerator
. Mi enfoque fue construir una clase contenedora para los múltiples generadores de keras.utils.Sequence
y luego implementar los métodos base de la misma: __len__
y __getitem__
:
from keras.preprocessing.image import ImageDataGenerator
from keras.utils import Sequence
class MultipleInputGenerator(Sequence):
"""Wrapper of 2 ImageDataGenerator"""
def __init__(self, X1, X2, Y, batch_size):
# Keras generator
self.generator = ImageDataGenerator(rotation_range=15,
width_shift_range=0.2,
height_shift_range=0.2,
shear_range=0.2,
zoom_range=0.2,
horizontal_flip=True,
fill_mode='nearest')
# Real time multiple input data augmentation
self.genX1 = self.generator.flow(X1, Y, batch_size=batch_size)
self.genX2 = self.generator.flow(X2, Y, batch_size=batch_size)
def __len__(self):
"""It is mandatory to implement it on Keras Sequence"""
return self.genX1.__len__()
def __getitem__(self, index):
"""Getting items from the 2 generators and packing them"""
X1_batch, Y_batch = self.genX1.__getitem__(index)
X2_batch, Y_batch = self.genX2.__getitem__(index)
X_batch = [X1_batch, X2_batch]
return X_batch, Y_batch
Puedes usar este generador con model.fit_generator()
una vez que el generador ha sido instanciado.
Reseñas y calificaciones del tutorial
¡Haz clic para puntuar esta entrada!
(Votos: 0 Promedio: 0)