一种可能性是加入三个ImageDataGenerator
合而为一,使用class_mode=None
(所以他们不会返回任何目标),并使用shuffle=False
(重要的)。确保您使用的是相同的batch_size
对于每个并确保每个输入位于不同的目录中,目标也位于不同的目录中,并且每个目录中的图像数量完全相同。
idg1 = ImageDataGenerator(...choose params...)
idg2 = ImageDataGenerator(...choose params...)
idg3 = ImageDataGenerator(...choose params...)
gen1 = idg1.flow_from_directory('input1_dir',
shuffle=False,
class_mode=None)
gen2 = idg2.flow_from_directory('input2_dir',
shuffle=False,
class_mode=None)
gen3 = idg3.flow_from_directory('target_dir',
shuffle=False,
class_mode=None)
创建自定义生成器:
class JoinedGen(tf.keras.utils.Sequence):
def __init__(self, input_gen1, input_gen2, target_gen):
self.gen1 = input_gen1
self.gen2 = input_gen2
self.gen3 = target_gen
assert len(input_gen1) == len(input_gen2) == len(target_gen)
def __len__(self):
return len(self.gen1)
def __getitem__(self, i):
x1 = self.gen1[i]
x2 = self.gen2[i]
y = self.gen3[i]
return [x1, x2], y
def on_epoch_end(self):
self.gen1.on_epoch_end()
self.gen2.on_epoch_end()
self.gen3.on_epoch_end()
使用该生成器进行训练:
my_gen = JoinedGen(gen1, gen2, gen3)
model.fit_generator(my_gen, ...)
或者创建一个自定义生成器。它的所有结构如上所示。