mindspore.dataset.vision.MixUp
- class mindspore.dataset.vision.MixUp(batch_size, alpha, is_single=True)[源代码]
随机混合一批输入的numpy.ndarray图像及其标签。
首先将每个图像乘以一个从Beta分布随机生成的权重 \(lambda\) ,然后加上另一个图像与 \(1 - lambda\) 之积。使用同样的 \(lambda\) 值将图像对应的标签进行混合。请确保标签预先进行了one-hot编码。
- 参数:
batch_size (int) - 批处理大小,即图片的数量。
alpha (float) - Beta分布的α参数值,β参数也将使用该值。
is_single (bool,可选) - 若为
True
,将在批内随机混合图像[img0, …, img(n-1), img(n)]与[img1, …, img(n), img0]及对应标签;否则,将每批图像与前一批图像的处理结果混合。默认值:True
。
- 异常:
TypeError - 当 batch_size 的类型不为int。
TypeError - 当 alpha 的类型不为float。
TypeError - 当 is_single 的类型不为bool。
ValueError - 当 batch_size 不为正数。
ValueError - 当 alpha 不为正数。
- 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"]) >>> # ont hot decode the label >>> numpy_slices_dataset = numpy_slices_dataset.map(operations=transforms.OneHot(10), input_columns="label") >>> # batch the samples >>> numpy_slices_dataset = numpy_slices_dataset.batch(batch_size=4) >>> # finally mix up the images and labels >>> numpy_slices_dataset = numpy_slices_dataset.map( ... operations=vision.MixUp(batch_size=1, alpha=0.2), ... 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 (4, 64, 64, 3) float64 (4, 3, 10) float64 >>> >>> # Use the transform in eager mode >>> data = np.random.randint(0, 255, size=(100, 100, 3)).astype(np.uint8) >>> label = np.array([[0, 1]]) >>> output = vision.MixUp(batch_size=2, alpha=0.2, is_single=False)(data, label) >>> print(output[0].shape, output[0].dtype) (2, 100, 100, 3) float64 >>> print(output[1].shape, output[1].dtype) (2, 2) float64
- 教程样例: