Keras image_gen.flow_from_directory() 中的 class_mode 参数表示什么？
what does class_mode parameter in Keras image_gen.flow_from_directory() signify?
train_image_gen = image_gen.flow_from_directory('/Users/harshpanwar/Desktop/Folder/train',
target_size=image_shape[:2],
batch_size=batch_size,
class_mode='binary')
在上面的代码片段中，class_mode='binary' 表示什么。我认为这是针对图像类别的数量。我正在使用此代码在 Keras 中训练图像识别分类器，以在狗和猫等 2 个不同类别之间进行分类。因此，如果 class_mode='binary' 用于表示两个类别，我们如何将其表示为三个或更多？
class_mode：“分类”、“二进制”、“稀疏”、“输入”或 None 之一。默认值：“分类”。确定返回的标签数组的类型：-“分类”将是二维单热编码标签，-“二进制”将是一维二进制标签，“稀疏”将是一维整数标签，-“输入”将是相同的图像输入图像（主要用于自动编码器）。 - 如果 None，则不返回任何标签（生成器将只生成批量图像数据，这对于与 model.predict_generator() 一起使用很有用）。请注意，在 class_mode None 的情况下，数据仍需要驻留在目录的子目录中才能正常工作。
假设您的数据集中有 N 类。如果你有 4 个标签，狗（索引 0）、猫（1）、驴（2）和人（3），N 将为 4。
Class 模式：
"categorical"：2D输出（也就是长度为N的数字列表），[0, 0, 1, 0]，这是一个one-hot编码（只有一个数字是1/”hot ") 代表驴。这是用于互斥标签。狗不成猫，人不成狗。"binary"：一维输出（又名。1 number），可以是 0、1、2、3 ... N。之所以这样称呼是因为它是二进制的 如果只有两个 类（恕我直言，这是一个错误的理由），source。我建议仅将“二进制”用于单标签分类，因为它在代码中记录了您的意图。"sparse"：深入研究代码后，这与“二进制”相同。逻辑是用elif self.class_mode in {'binary', 'sparse'}:完成的，之后就不用class_mode了。不过，我建议使用“稀疏”进行多标签分类，同样是因为它在代码中记录了您的意图。"input": 标签又是字面上的图像。所以狗的图像的标签是相同的狗图片数组。如果我对 autoencoders 了解更多，我可能能够进一步解释。None：没有标签，因此对训练没有用，但对推理/预测有用。
TensorFlow 文档是 here，但我认为它应该更深入 class_mode:
One of "categorical", "binary", "sparse", "input", or None. Default: "categorical". Determines the type of label arrays that are returned: - "categorical" will be 2D one-hot encoded labels, - "binary" will be 1D binary labels, "sparse" will be 1D integer labels, - "input" will be images identical to input images (mainly used to work with autoencoders). - If None, no labels are returned (the generator will only yield batches of image data, which is useful to use with model.predict()). Please note that in case of class_mode None, the data still needs to reside in a subdirectory of directory for it to work correctly.
稀疏和二进制一样吗?:
正如您在我的搜索结果中看到的那样，稀疏只检查了两次（搜索结果中的第 2 行和第 4 行）。我相信“稀疏”的目的是用于多标签分类，“二进制”是为单标签分类设计的（热狗与无热狗），但目前没有区别，因为行为是相同的：
train_image_gen = image_gen.flow_from_directory('/Users/harshpanwar/Desktop/Folder/train',
target_size=image_shape[:2],
batch_size=batch_size,
class_mode='binary')
在上面的代码片段中，class_mode='binary' 表示什么。我认为这是针对图像类别的数量。我正在使用此代码在 Keras 中训练图像识别分类器，以在狗和猫等 2 个不同类别之间进行分类。因此，如果 class_mode='binary' 用于表示两个类别，我们如何将其表示为三个或更多？
class_mode：“分类”、“二进制”、“稀疏”、“输入”或 None 之一。默认值：“分类”。确定返回的标签数组的类型：-“分类”将是二维单热编码标签，-“二进制”将是一维二进制标签，“稀疏”将是一维整数标签，-“输入”将是相同的图像输入图像（主要用于自动编码器）。 - 如果 None，则不返回任何标签（生成器将只生成批量图像数据，这对于与 model.predict_generator() 一起使用很有用）。请注意，在 class_mode None 的情况下，数据仍需要驻留在目录的子目录中才能正常工作。
假设您的数据集中有 N 类。如果你有 4 个标签，狗（索引 0）、猫（1）、驴（2）和人（3），N 将为 4。
Class 模式：
"categorical"：2D输出（也就是长度为N的数字列表），[0, 0, 1, 0]，这是一个one-hot编码（只有一个数字是1/”hot ") 代表驴。这是用于互斥标签。狗不成猫，人不成狗。"binary"：一维输出（又名。1 number），可以是 0、1、2、3 ... N。之所以这样称呼是因为它是二进制的 如果只有两个 类（恕我直言，这是一个错误的理由），source。我建议仅将“二进制”用于单标签分类，因为它在代码中记录了您的意图。"sparse"：深入研究代码后，这与“二进制”相同。逻辑是用elif self.class_mode in {'binary', 'sparse'}:完成的，之后就不用class_mode了。不过，我建议使用“稀疏”进行多标签分类，同样是因为它在代码中记录了您的意图。"input": 标签又是字面上的图像。所以狗的图像的标签是相同的狗图片数组。如果我对 autoencoders 了解更多，我可能能够进一步解释。None：没有标签，因此对训练没有用，但对推理/预测有用。
TensorFlow 文档是 here，但我认为它应该更深入 class_mode:
One of "categorical", "binary", "sparse", "input", or None. Default: "categorical". Determines the type of label arrays that are returned: - "categorical" will be 2D one-hot encoded labels, - "binary" will be 1D binary labels, "sparse" will be 1D integer labels, - "input" will be images identical to input images (mainly used to work with autoencoders). - If None, no labels are returned (the generator will only yield batches of image data, which is useful to use with model.predict()). Please note that in case of class_mode None, the data still needs to reside in a subdirectory of directory for it to work correctly.
稀疏和二进制一样吗?:
正如您在我的搜索结果中看到的那样，稀疏只检查了两次（搜索结果中的第 2 行和第 4 行）。我相信“稀疏”的目的是用于多标签分类，“二进制”是为单标签分类设计的（热狗与无热狗），但目前没有区别，因为行为是相同的：