tensorflow 加载本地图片数据集

在 TensorFlow 中，可以使用 `tf.keras.preprocessing.image_dataset_from_directory` 方法来加载本地图片数据集。这个方法可以从一个目录中读取图片，并将其转换成 TensorFlow 中的数据集。

以下是一个示例代码，演示如何使用 `image_dataset_from_directory` 方法加载本地图片数据集：

import tensorflow as tf

# 指定图片目录和 batch_size
image_dir = "/path/to/image/directory/"
batch_size = 32

# 使用 image_dataset_from_directory 方法加载数据集
train_dataset = tf.keras.preprocessing.image_dataset_from_directory(
    image_dir,
    validation_split=0.2,  # 拆分训练集和验证集的比例
    subset="training",    # 使用训练集子集
    seed=123,             # 随机种子，用于拆分数据集
    image_size=(224, 224),# 图片大小
    batch_size=batch_size # 批量大小
)

val_dataset = tf.keras.preprocessing.image_dataset_from_directory(
    image_dir,
    validation_split=0.2,  # 拆分训练集和验证集的比例
    subset="validation",  # 使用验证集子集
    seed=123,             # 随机种子，用于拆分数据集
    image_size=(224, 224),# 图片大小
    batch_size=batch_size # 批量大小
)

在这个示例中，我们指定了图片目录 `image_dir` 和批量大小 `batch_size`，然后使用 `image_dataset_from_directory` 方法加载数据集。这个方法会自动将图片转换成 TensorFlow 中的数据集，并且可以将数据集拆分成训练集和验证集两个子集。

如果需要对图片进行数据增强，可以使用 `tf.keras.preprocessing.image.ImageDataGenerator` 类来设置数据增强参数，并将其传递给 `image_dataset_from_directory` 方法。例如：

import tensorflow as tf

# 设置数据增强参数
data_augmentation = tf.keras.Sequential([
  tf.keras.layers.experimental.preprocessing.RandomFlip('horizontal'),
  tf.keras.layers.experimental.preprocessing.RandomRotation(0.2),
])

# 使用 image_dataset_from_directory 方法加载数据集
train_dataset = tf.keras.preprocessing.image_dataset_from_directory(
    image_dir,
    validation_split=0.2,        # 拆分训练集和验证集的比例
    subset="training",           # 使用训练集子集
    seed=123,                    # 随机种子，用于拆分数据集
    image_size=(224, 224),       # 图片大小
    batch_size=batch_size,       # 批量大小
    label_mode='categorical',    # 标签类型
    preprocessing_function=data_augmentation, # 数据增强
)

在这个示例中，我们使用 `Sequential` 类创建了一个数据增强模型，并将其传递给 `image_dataset_from_directory` 方法的 `preprocessing_function` 参数。这样，在加载数据集时，会自动对图片进行数据增强。