Keras学习笔记一：修改数据读入方式为本地图片读入

第一种方法：

Keras官方给的图片去噪示例要自动下载mnist数据集并处理，不能修改和加入自己的数据集。

from keras.datasets import mnist
(x_train, _), (x_test, _) = mnist.load_data()
x_train = x_train.astype('float32') / 255.
x_test = x_test.astype('float32') / 255.

以上代码实现了把mnist数据集读到x_train 和x_test 中并且丢弃标签，全过程是封闭的

现需要将本地的mnist数据集，解压成图片格式，然后通过文件操作把图片一个一个读进去同样存在x_train 和x_test 中，并且能和原来的程序完美衔接。

修改如下：

mnist数据集放到和py文件同一个目录，名为MNIST_data，将下载的二进制文件转为图片见 https://www.cnblogs.com/dzzy/p/10824072.html

目录树如图

import os

base_dir = 'MNIST_data' #基准目录
train_dir = os.path.join(base_dir,'mnist_train') #train目录
#file1 = os.listdir(train_dir) #读目录下的图
#image1 = [os.path.join(train_dir,i)  for i in file1] #合成每一个图的路径名称
validation_dir="".join(train_dir)
test_datagen = ImageDataGenerator(rescale= 1./255)
validation_generator  = test_datagen.flow_from_directory(validation_dir,
                                                    target_size = (28,28),
                                                    color_mode = "grayscale",
                                                    batch_size = 60000,
                                                    class_mode =  "categorical")
#利用test_datagen.flow_from_directory（图像地址，单通道，目标size，批量数目，标签分类情况）
for x_train,batch_labels in validation_generator:
    break


test_dir = os.path.join(base_dir,'mnist_test') #test目录
#file2 = os.listdir(test_dir) #读目录下的图
#image2 = [os.path.join(test_dir,i)  for i in file2] #合成每一个图的路径名称
validation_dir="".join(test_dir)
test_datagen = ImageDataGenerator(rescale= 1./255)
validation_generator = test_datagen.flow_from_directory(validation_dir,
                                                    target_size = (28,28),
                                                    color_mode = "grayscale",
                                                    batch_size = 10000,
                                                    class_mode = "categorical")
#利用test_datagen.flow_from_directory（图像地址，单通道，目标size，批量数目，标签分类情况） 

for x_test,batch_labels in validation_generator: 
　　break


#创造有噪声的图像

noise_factor = 0.5
x_train_noisy = x_train + noise_factor * np.random.normal(loc=0.0, scale=1.0, size=x_train.shape)
x_test_noisy = x_test + noise_factor * np.random.normal(loc=0.0, scale=1.0, size=x_test.shape)

x_train_noisy = np.clip(x_train_noisy, 0., 1.)
x_test_noisy = np.clip(x_test_noisy, 0., 1.)
x_train_noisy = x_train_noisy.astype(np.float)
x_test_noisy = x_test_noisy.astype(np.float)

可以达到同样的效果，只是将图片逐个读到内存需要多花一些时间

第二种方法：

import glob
from PIL import Image

Datapath = "MNIST_data/mnist_train/*.png"
x_train = np.zeros(x_train.shape)
i = 0
for imageFile in glob.glob(Datapath ):
    # 打开图像并转化为数字矩阵
    img = np.array(Image.open(imageFile))
    img = np.reshape(img, (1, 28, 28, 1))
    img = img.astype('float32') / 255.
    x_train[i] = img
    i += 1

要求图片都在mnist_train目录下，同样可以达到目的