用自带的fashion_mnist数据集实现图像增广，并构建训练集图像增广器，最后展示

训练前后的图像效果有何变化？

好的，我明白了。为了使用自带的fashion_mnist数据集进行图像增广，你可以使用Python的opencv和Keras库。你可以使用Keras提供的ImageDataGenerator函数来定义一个图像增广器，然后使用它来对训练集进行增广。增广可以包括旋转、平移、缩放、翻转等操作。最后，你可以比较训练前后的图像效果，看看增广对模型性能的影响。

需要注意的是，你需要将fashion_mnist数据集从Keras的默认格式转换为opencv能够处理的格式，即将28*28的灰度图像转换为28*28*3的RGB图像。你可以使用cv2.merge函数将灰度图像转换为RGB图像。另外，为了避免在增广过程中造成数据的不可逆性改变，你需要在增广之前先对数据集进行备份。

在使用图像增广器进行训练之前，你可以使用matplotlib库显示一些样本图像，以便比较训练前后的图像效果。增广后的图像可能更加丰富多样，而且可以更好地适应训练数据的不完美性，从而提高模型的性能。

下面是一个使用图像增广器进行训练的代码示例：

import cv2
from keras.datasets import fashion_mnist
from keras.preprocessing.image import ImageDataGenerator

# 备份原始数据集
(x_train, y_train), (x_test, y_test) = fashion_mnist.load_data()
x_train_original = x_train.copy()

# 将灰度图转换为RGB图
x_train = [cv2.merge([img, img, img]) for img in x_train]

# 定义图像增广器
datagen = ImageDataGenerator(
        rotation_range=20,  # 随机旋转
        width_shift_range=0.1,  # 水平方向平移
        height_shift_range=0.1,  # 垂直方向平移
        zoom_range=0.1,  # 随机缩放
        horizontal_flip=True,  # 随机水平翻转
        fill_mode='nearest')  # 填充方式

# 训练数据增广
datagen.fit(x_train)

# 显示增广后的样本图片
import matplotlib.pyplot as plt

x_train_augment = datagen.flow(x_train_original, batch_size=9)[0]
for i in range(9):
    plt.subplot(330 + 1 + i)
    plt.imshow(x_train_augment[i], cmap=plt.get_cmap('gray'))
# 展示图像
plt.show()

# 训练模型（省略）

上面的代码中，我们使用ImageDataGenerator函数定义了一个图像增广器，并使用fit函数对训练集进行增广。最后，我们可以使用flow函数获取增广后的图像数据，并使用matplotlib库将其可视化展示。