RandomAugmentationPipeline 層

[來源]

RandomAugmentationPipeline 類別

keras_cv.layers.RandomAugmentationPipeline(
    layers, augmentations_per_image, rate=1.0, auto_vectorize=False, seed=None, **kwargs
)

RandomAugmentationPipeline 會根據提供的參數建構管道。

實作的策略會執行以下操作：對於在 call() 中提供的每個輸入，策略首先會輸入一個亂數，如果該數字 < 比率，則策略會從提供的 layers 列表中隨機選擇一個層。然後它會在輸入上呼叫 layer()。這個動作會執行 augmentations_per_image 次。

此層可用於建立類似於 RandAugment 或 AutoAugment 的自訂策略。

範例

# construct a list of layers
layers = keras_cv.layers.RandAugment.get_standard_policy(
    value_range=(0, 255), magnitude=0.75, magnitude_stddev=0.3
)
layers = layers[:4]  # slice out some layers you don't want for whatever
                       reason
layers = layers + [keras_cv.layers.GridMask()]

# create the pipeline.
pipeline = keras_cv.layers.RandomAugmentationPipeline(
    layers=layers, augmentations_per_image=3
)

augmented_images = pipeline(images)

參數

• layers：keras.Layers 的列表。這些是在增強期間隨機輸入的，用於增強傳遞到 call() 中的輸入。傳遞的層應該繼承 BaseImageAugmentationLayer。傳遞 layers=[] 將導致無操作。
• augmentations_per_image：要套用到 call() 方法中每個輸入的層數。
• rate：套用每個增強的比率。這是針對每個增強基礎套用的，因此如果 augmentations_per_image=3 且 rate=0.5，則圖像不會收到任何增強的機率為 0.5^3，或 0.5*0.5*0.5。
• auto_vectorize：是否使用 tf.vectorized_map 或 tf.map_fn 來套用增強。這提供了顯著的效能提升，但只有在提供給 layers 參數的所有層都支援自動向量化的情況下才能使用。
• seed：整數。用於建立隨機種子。