mindspore.dataset.vision.MixUpBatch
- class mindspore.dataset.vision.MixUpBatch(alpha=1.0)[源代码]
对输入批次的图像和标注应用混合转换。从批处理中随机抽取两个图像,其中一个图像乘以随机权重 (lambda),另一个图像乘以 (1 - lambda),并相加。该处理将会同时应用于one-hot标注。
上述的 lambda 是根据指定的参数 alpha 生成的。计算方式为在 [alpha, 1] 范围内随机生成两个系数 x1,x2 ,然后 lambda = (x1 / (x1 + x2))。
请注意,在调用此处理之前,您需要将标注制作成 one-hot 格式并进行batch操作。
- 参数:
alpha (float, 可选) - β分布的超参数,该值必须为正。默认值:
1.0
。
- 异常:
TypeError - 如果 alpha 不是float类型。
ValueError - 如果 alpha 不是正数。
RuntimeError - 如果输入图像的shape不是 <N, H, W, C> 或 <N, C, H, W>。
- 支持平台:
CPU
样例:
>>> import numpy as np >>> import mindspore.dataset as ds >>> import mindspore.dataset.vision as vision >>> import mindspore.dataset.transforms as transforms >>> >>> # Use the transform in dataset pipeline mode >>> data = np.random.randint(0, 255, size=(64, 64, 3)).astype(np.uint8) >>> numpy_slices_dataset = ds.NumpySlicesDataset(data, ["image"]) >>> numpy_slices_dataset = numpy_slices_dataset.map( ... operations=lambda img: (data, np.random.randint(0, 5, (3, 1))), ... input_columns=["image"], ... output_columns=["image", "label"]) >>> onehot_op = transforms.OneHot(num_classes=10) >>> numpy_slices_dataset= numpy_slices_dataset.map(operations=onehot_op, ... input_columns=["label"]) >>> mixup_batch_op = vision.MixUpBatch(alpha=0.9) >>> numpy_slices_dataset = numpy_slices_dataset.batch(5) >>> numpy_slices_dataset = numpy_slices_dataset.map(operations=mixup_batch_op, ... input_columns=["image", "label"]) >>> for item in numpy_slices_dataset.create_dict_iterator(num_epochs=1, output_numpy=True): ... print(item["image"].shape, item["image"].dtype) ... print(item["label"].shape, item["label"].dtype) ... break (5, 64, 64, 3) uint8 (5, 3, 10) float32 >>> >>> # Use the transform in eager mode >>> data = np.random.randint(0, 255, (2, 10, 10, 3)).astype(np.uint8) >>> label = np.array([[0, 1], [1, 0]]) >>> output = vision.MixUpBatch(1)(data, label) >>> print(output[0].shape, output[0].dtype) (2, 10, 10, 3) uint8 >>> print(output[1].shape, output[1].dtype) (2, 2) float32
- 教程样例: