对fashion_mnist进行图像增强 用ImageDataGenerator实现

可以使用以下代码对Fashion MNIST数据集进行图像增强，代码利用ImageDataGenerator实现。

import numpy as np
import tensorflow as tf
from tensorflow.keras.preprocessing.image import ImageDataGenerator

# 加载 Fashion MNIST 数据集
(train_images, train_labels), (test_images, test_labels) = tf.keras.datasets.fashion_mnist.load_data()

# 将图像数据从整数转换为浮点数
train_images = train_images.astype('float32')
test_images = test_images.astype('float32')

# 对图像数据进行范围缩放
train_images /= 255
test_images /= 255

# 定义图像增强器
datagen = ImageDataGenerator(
    rotation_range=10, # 旋转角度范围
    width_shift_range=0.1, # 水平平移范围
    height_shift_range=0.1, # 垂直平移范围
    shear_range=0.1, # 剪切变换强度
    zoom_range=0.1, # 缩放强度范围
    horizontal_flip=True, # 随机水平翻转
)

# 训练集图像增强
augmented_train_data = [(datagen.flow(np.expand_dims(train_images[i], 0), batch_size=1, shuffle=False).next()[0], train_labels[i]) for i in range(len(train_images))]
augmented_train_data = np.array([augmented_train_data[i][0] for i in range(len(augmented_train_data))])
augmented_train_labels = np.array([augmented_train_data[i][1] for i in range(len(augmented_train_data))])

# 测试集图像增强
augmented_test_data = [(datagen.flow(np.expand_dims(test_images[i], 0), batch_size=1, shuffle=False).next()[0], test_labels[i]) for i in range(len(test_images))]
augmented_test_data = np.array([augmented_test_data[i][0] for i in range(len(augmented_test_data))])
augmented_test_labels = np.array([augmented_test_data[i][1] for i in range(len(augmented_test_data))])

在以上代码中，使用了ImageDataGenerator类来定义图像增强器。rotation_range参数定义旋转角度的随机范围，width_shift_range和height_shift_range参数定义水平和垂直平移的随机范围，shear_range参数定义剪切变换的强度，zoom_range参数定义缩放的随机范围，horizontal_flip参数控制是否对图像进行随机水平翻转。

在完成图像增强器的定义之后，通过调用datagen.flow()方法对每个图像进行增强，并将增强后的图像与原始标签组成一个元组。最后，使用np.array()方法将所有增强后的图像和标签转换为NumPy数组，这些数组可以用于训练模型。