在Python中,可以使用以下代码将从ImageDataGenerator获得的训练和验证图像的数量存储在变量中:
from tensorflow.keras.preprocessing.image import ImageDataGenerator
# 创建ImageDataGenerator对象
datagen = ImageDataGenerator()
# 设置训练图像的路径
train_dir = 'path_to_train_directory'
# 设置验证图像的路径
validation_dir = 'path_to_validation_directory'
# 使用flow_from_directory方法加载训练图像
train_generator = datagen.flow_from_directory(
train_dir,
target_size=(224, 224), # 图像尺寸
batch_size=32, # 批量大小
class_mode='categorical' # 分类模式
)
# 使用flow_from_directory方法加载验证图像
validation_generator = datagen.flow_from_directory(
validation_dir,
target_size=(224, 224), # 图像尺寸
batch_size=32, # 批量大小
class_mode='categorical' # 分类模式
)
# 获取训练图像的数量
train_image_count = train_generator.samples
# 获取验证图像的数量
validation_image_count = validation_generator.samples
# 打印训练和验证图像的数量
print("训练图像数量:", train_image_count)
print("验证图像数量:", validation_image_count)
这段代码使用了TensorFlow的Keras库中的ImageDataGenerator类来生成训练和验证图像的批量数据。通过调用flow_from_directory方法,可以从指定的目录中加载图像数据,并设置图像的尺寸、批量大小和分类模式。最后,可以使用samples属性获取训练和验证图像的数量,并将其存储在相应的变量中。
推荐的腾讯云相关产品:腾讯云AI智能图像处理(https://cloud.tencent.com/product/aiimage)提供了丰富的图像处理能力,包括图像识别、图像审核、图像增强等功能,可以与Python中的ImageDataGenerator结合使用,实现更多图像处理的需求。
领取专属 10元无门槛券
手把手带您无忧上云