keras_5_数据预处理

1. 序列预处理

1. TimeseriesGenerator

   • 用于生成批量时序数据的实用工具类。这个类以一系列由相等间隔以及一些时间序列参数（例如步长、历史长度等）汇集的数据点作为输入，以生成用于训练/验证的批次数据。

     from keras.preprocessing.sequence import TimeseriesGenerator
     import numpy as np
     
     data = np.array([[i] for i in range(50)]) # 时间步
     targets = np.array([[i] for i in range(50)]) # 对应于data的时间步的目标值
     
     data_gen = TimeseriesGenerator(data, targets,
                                    length=10, sampling_rate=2,
                                    batch_size=2)
     assert len(data_gen) == 20
     
     batch_0 = data_gen[0]
     x, y = batch_0
     assert np.array_equal(x,
                           np.array([[[0], [2], [4], [6], [8]],
                                     [[1], [3], [5], [7], [9]]]))
     assert np.array_equal(y,
                           np.array([[10], [11]]))
     

2. pad_sequences

   • 将多个序列截断或补齐为相同长度。该函数将一个 num_samples 的序列（整数列表）转化为一个 2D Numpy 矩阵，其尺寸为 (num_samples, num_timesteps)。 num_timesteps 要么是给定的 maxlen 参数，要么是最长序列的长度。
   • 比 num_timesteps 短的序列将在末端以 value 值补齐。向前补齐为默认操作。
   • 比 num_timesteps 长的序列将会被截断以满足所需要的长度。补齐或截断发生的位置分别由参数 pading 和 truncating 决定。

3. skipgrams

   • 生成 skipgram 词对。该函数将一个单词索引序列（整数列表）转化为以下形式的单词元组：
     • （单词, 同窗口的单词），标签为 1（正样本）。
     • （单词, 来自词汇表的随机单词），标签为 0（负样本）。

4. make_sampling_table

   • 生成一个基于单词的概率采样表。用来生成 skipgrams 的 sampling_table 参数。sampling_table[i] 是数据集中第 i 个最常见词的采样概率（出于平衡考虑，出现更频繁的词应该被更少地采样）。

   • 采样概率根据 word2vec 中使用的采样分布生成：

     p(word) = (min(1, sqrt(word_frequency / sampling_factor) /
         (word_frequency / sampling_factor)))
     # 我们假设单词频率遵循 Zipf 定律（s=1），来导出 frequency(rank) 的数值近似：
     frequency(rank) ~ 1/(rank * (log(rank) + gamma) + 1/2 - 1/(12*rank))
     # 其中 gamma 为 Euler-Mascheroni 常量。
     

2. 文本预处理

1. Tokenizer
   • 文本标记实用类。该类允许使用两种方法向量化一个文本语料库： 将每个文本转化为一个整数序列（每个整数都是词典中标记的索引）； 或者将其转化为一个向量，其中每个标记的系数可以是二进制值、词频、TF-IDF权重等。
   • 默认情况下，删除所有标点符号，将文本转换为空格分隔的单词序列（单词可能包含 ' 字符）。 这些序列然后被分割成标记列表。然后它们将被索引或向量化。0 不会被分配给任何单词的保留索引。
2. hashing_trick
   • 将文本转换为固定大小散列空间中的索引序列。由于哈希函数可能发生冲突，可能会将两个或更多字分配给同一索引。 碰撞的概率与散列空间的维度和不同对象的数量有关。
3. one_hot
   • One-hot 将文本编码为大小为 n 的单词索引列表。
4. text_to_word_sequence
   • 将文本转换为单词（或标记）的序列。

3. 图像预处理

• ImageDataGenerator 类：通过实时数据增强生成张量图像数据批次。数据将不断循环（按批次）。

• 使用 .flow(x, y) 的例子：

  (x_train, y_train), (x_test, y_test) = cifar10.load_data()
  y_train = np_utils.to_categorical(y_train, num_classes) # 对y_train的每个元素进行one-hot编码
  y_test = np_utils.to_categorical(y_test, num_classes)
  
  datagen = ImageDataGenerator(
      featurewise_center=True,    # 将输入数据的均值设置为 0，逐特征进行（像素矩阵？）
      featurewise_std_normalization=True, # 将输入除以数据标准差，逐特征进行。
      rotation_range=20,                  # 整数。随机旋转的度数范围。（图片旋转？）
      width_shift_range=0.2,                              # 浮点数、一维数组或整数 （width伸缩？）
      height_shift_range=0.2,             # 浮点数、一维数组或整数 （height伸缩？）
      horizontal_flip=True)               # 布尔值。将图片执行随机水平翻转。
  
  # 计算特征归一化所需的数量
  # （如果应用 ZCA 白化，将计算标准差，均值，主成分）# ZCA 白化 ? 协方差矩阵？用再查！
  datagen.fit(x_train) # 做了上述ImageDataGenerator中涉及的图像增强
  
  # 使用实时数据增益的批数据对模型进行拟合：
  model.fit_generator(datagen.flow(x_train, y_train, batch_size=32),
                      steps_per_epoch=len(x_train) / 32, epochs=epochs)
  
  # 这里有一个更 「手动」的例子
  for e in range(epochs):
      print('Epoch', e)
      batches = 0
      for x_batch, y_batch in datagen.flow(x_train, y_train, batch_size=32):
          model.fit(x_batch, y_batch)
          batches += 1
          if batches >= len(x_train) / 32:
              # 我们需要手动打破循环，
              # 因为生成器会无限循环
              break
  

• 使用 .flow_from_directory(directory) 的例子：

  train_datagen = ImageDataGenerator(
          rescale=1./255,           # 顾名思义：尺寸放缩
          shear_range=0.2,        # 剪切
          zoom_range=0.2,            # 缩放
          horizontal_flip=True)  # 水平翻转
  
  test_datagen = ImageDataGenerator(rescale=1./255)
  
  train_generator = train_datagen.flow_from_directory(
          'data/train',
          target_size=(150, 150),
          batch_size=32,
          class_mode='binary')
  
  validation_generator = test_datagen.flow_from_directory(
          'data/validation',
          target_size=(150, 150),
          batch_size=32,
          class_mode='binary')
  
  model.fit_generator(
          train_generator,
          steps_per_epoch=2000,
          epochs=50,
          validation_data=validation_generator,
          validation_steps=800)
  

• 同时转换图像和蒙版 (mask) 的例子。

  # 创建两个相同参数的实例
  data_gen_args = dict(featurewise_center=True,
                       featurewise_std_normalization=True,
                       rotation_range=90.,
                       width_shift_range=0.1,
                       height_shift_range=0.1,
                       zoom_range=0.2)
  image_datagen = ImageDataGenerator(**data_gen_args)
  mask_datagen = ImageDataGenerator(**data_gen_args)
  
  # 为 fit 和 flow 函数提供相同的种子和关键字参数
  seed = 1
  image_datagen.fit(images, augment=True, seed=seed)
  mask_datagen.fit(masks, augment=True, seed=seed)
  
  image_generator = image_datagen.flow_from_directory(
      'data/images',
      class_mode=None,
      seed=seed)
  
  mask_generator = mask_datagen.flow_from_directory(
      'data/masks',
      class_mode=None,
      seed=seed)
  
  # 将生成器组合成一个产生图像和蒙版（mask）的生成器
  train_generator = zip(image_generator, mask_generator)
  
  model.fit_generator(
      train_generator,
      steps_per_epoch=2000,
      epochs=50)
  

• ImageDataGenerator 类方法:

  • apply_transform
    • 根据给定的参数将变换应用于图像。
  • fit
    • 将数据生成器用于某些示例数据。它基于一组样本数据，计算与数据转换相关的内部数据统计。当且仅当 featurewise_center 或 featurewise_std_normalization 或 zca_whitening 设置为 True 时才需要。
  • flow
    • 采集数据和标签数组，生成批量增强数据。
  • flow_from_directory
  • get_random_transform
    • 为转换生成随机参数。
  • random_transform
    • 将随机变换应用于图像。
  • standardize
    • 将标准化配置应用于一批输入。