• 本文主要介绍Keras中图像分类任务用到的图像预处理部分的内容。
• 注意：并不是介绍Keras中所有的图像预处理函数。

1. 简介

使用Keras进行图像分类任务时，如果数据集较少（数据获取困难等），为了尽可能的充分利用有限数据的价值，可以进行数据增强处理。

通过一系列随机变换对数据进行提升，这样有利于抑制过拟合，提升模型的泛化能力。

Keras中提供了一个用于数据增强的类（Keras.preprocessing.image.ImageDataGenerator）来实现此功能。这个类可以：

• 在训练过程中，设置要实施的随机变化
• 通过.flow或.flow_from_directory(directory)方法实例化一个针对图像batch的生成器，这些生成器可以被用做keras相关方法的输入，如fit_generator, evaluate_generator或predict_generator。

什么意思呢？——使用ImageDataGenerator类不仅可以在训练过程中进行图像的随机变化，增加训练数据；还附带赠送了获取数据batch生成器对象的功能，省去了手工再去获取batch数据的部分。

2. ImageDataGenerator类介绍

ImageDataGenerator类路径：keras/preprocessing/image.py

作用：通过实时数据增强生成批量图像数据向量。训练时该函数会无限循环生成数据，直到达到规定的epoch次数为止。

ImageDataGenerator继承于keras_preprocessing/image/image_data_generator.py中的ImageDataGenerator类。

# keras/preprocessing/image.py
class ImageDataGenerator(image.ImageDataGenerator):
    def __init__(self,
                 featurewise_center=False,
                 samplewise_center=False,
                 featurewise_std_normalization=False,
                 samplewise_std_normalization=False,
                 zca_whitening=False,
                 zca_epsilon=1e-6,
                 rotation_range=0,
                 width_shift_range=0.,
                 height_shift_range=0.,
                 brightness_range=None,
                 shear_range=0.,
                 zoom_range=0.,
                 channel_shift_range=0.,
                 fill_mode='nearest',
                 cval=0.,
                 horizontal_flip=False,
                 vertical_flip=False,
                 rescale=None,
                 preprocessing_function=None,
                 data_format=None,
                 validation_split=0.0,
                 dtype=None):

参数

• featurewise_center：布尔值，使输入数据集去中心化（均值为0），逐特征进行。
• samplewise_center：布尔值，使输入数据的每个样本均值为0
• featurewise_std_normalization：布尔值，将输入除以数据集的标准差以完成标准化, 按feature执行
• samplewise_std_normalization：布尔值，将输入的每个样本除以其自身的标准差
• zca_whitening：布尔值，对输入数据施加ZCA白化
• zca_epsilon: ZCA使用的eposilon，默认1e-6
• rotation_range：整数，图片随机转动的角度范围
• width_shift_range：浮点数，一维数组或整数，图片宽度的某个比例，数据提升时图片水平偏移的幅度
  • float：如果<1，则除以总宽度的值，如果>=1，则为宽度像素值
  • 一维数组：数组中的随机元素
  • 整型：来自间隔(-width_shift_range,width_shift_range)之间的整数个像素
  • width_shift_range=2：可能值是整数[-1,0,1]，与width_shift_range=[-1,0,1]相同，而当width_shfit_range=1.0时，可能值是半开区间[-1.0,1.0]之间的浮点数（后半句没有理解）。
• height_shift_range：浮点数，图片高度的某个比例，数据提升时图片竖直偏移的幅度。具体含义与width_shift_range相同。
• brightness_range：两个float组成的元组或列表。选择亮度值的范围
• shear_range：浮点数，剪切强度（逆时针方向的剪切变换角度）
• zoom_range：浮点数或[lower, upper]。随机缩放范围，如果是浮点数，[lower, upper] = [1-zoom_range, 1+zoom_range]
• channel_shift_range：浮点数，随机通道转换的范围。
• fill_mode： {"constant", "nearest", "reflect" or "wrap"} 之一。默认为'nearest'。输入边界以外的点根据给定的模式填充：
  • 'constant': kkkkkkkk|abcd|kkkkkkkk (cval=k)
  • 'nearest': aaaaaaaa|abcd|dddddddd
  • 'reflect': abcddcba|abcd|dcbaabcd
  • 'wrap': abcdabcd|abcd|abcdabcd
• cval: 浮点数或整数。用于边界之外的点的值，当fill_mode = "constant"时。
• horizontal_flip: 布尔值,随机水平翻转。
• vertical_flip: 布尔值,随机垂直翻转。
• rescale: 重缩放因子。默认为 None。如果是 None 或 0，不进行缩放，否则将数据乘以所提供的值（在应用任何其他转换之后）
• preprocessing_function:该函数应用于每个输入上，在图像被resize和增强之后运行。该函数接收一个参数，一张图像(秩为3的numpy tensor)，同样输出一个相同shape的Numpy tensor。
• data_format:图像数据格式，{"channels_first", "channels_last"} 之一。"channels_last" 模式表示图像输入尺寸应该为(samples, height, width, channels)，"channels_first" 模式表示输入尺寸应该为(samples, channels, height, width)。默认为 在 Keras 配置文件~/.keras/keras.json中的image_data_format值。如果你从未设置它，那它就是"channels_last"。
• validation_split:浮点型。保留用于验证集的图像比例（严格在0,1之间）
• dtype：生成数组使用的数据类型。

使用示例

from keras.preprocessing.image import ImageDataGenerator
datagen = ImageDataGenerator(
        rotation_range=40,
        width_shift_range=0.2,
        height_shift_range=0.2,
        rescale=1./255,
        shear_range=0.2,
        zoom_range=0.2,
        horizontal_flip=True,
        fill_mode='nearest')

data_generator = datagen.flow_from_directory('./datas/train', target_size=(224,224), batch_size=32)

3. ImageDataGenerator类方法

该类的几个重要方法如下：

• flow() : 该方法输入数据(Numpy或元组形式)和标签（可选）,返回一个迭代器，格式是元组(x,y)或(x)或(x,y,sample_weight)。该方法还可以指定样本输出路径及前缀，格式，用于保存增强处理后的图像。
• flow_from_directory(): 获取图像路径，生成批量增强数据。该方法只需指定数据所在的路径，而无需输入numpy形式的数据，也无需输入标签值，会自动返回对应的标签值。返回一个生成(x, y)元组的DirectoryIterator。
• flow_from_dataframe(): 输入数据为Pandas dataframe格式。返回生成(x, y) 元组的DataFrameIterator。

注意事项

• 主要区别是输入数据和输出数据的格式不同。
• flow_from_directory()和flow_from_dataframe()两个函数都将图像resize到指定大小。而flow()无此步骤。

3.1 fit()

该方法使数据生成器适合于某些样本数据，它根据样本数据数组计算与数据依赖转换相关的内部数据统计信息。

只有在featurewise_center或featurewise_std_normalization或zca_whitening为设置为True时才需要计算。

即实现对数据的去中心化/标准化/ZCA白化处理。
使用的数据均值、标准差都是数据自身的。

函数定义：
def fit(self, x, augment=False,rounds=1, seed=None)
参数：

• x: 样本数据，秩为4，对于灰度图像，通道axis应该为1，如何是RGB数据 ,应该为3，如果是RGBA数据，应该为4。
• augment：布尔型，默认False，是否应用随机增强
• rounds：整型，默认1。如果augment=True，这是传递给数据使用的扩充量。
• seed：整型，默认None，随机种子。

返回值：
一个生成元组(x, y)的Iterator，其中x是图像数据的Numpy数组（在单张图像输入时），或 Numpy 数组列表（在额外多个输入时），y 是对应的标签的Numpy数组。如果 'sample_weight'不是 None，生成的元组形式为(x, y, sample_weight)。如果 y 是 None, 只有Numpy数组x被返回。

具体实现

def fit(self, x,
    augment=False,
    rounds=1,
    seed=None):
    
    # 此处为合规性检测
    # 数据去中心化
    if self.featurewise_center:
        self.mean = np.mean(x, axis=(0, self.row_axis, self.col_axis))
        broadcast_shape = [1, 1, 1]
        broadcast_shape[self.channel_axis - 1] = x.shape[self.channel_axis]
        self.mean = np.reshape(self.mean, broadcast_shape)
        x -= self.mean
    # 数据标准化
    if self.featurewise_std_normalization:
        self.std = np.std(x, axis=(0, self.row_axis, self.col_axis))
        broadcast_shape = [1, 1, 1]
        broadcast_shape[self.channel_axis - 1] = x.shape[self.channel_axis]
        self.std = np.reshape(self.std, broadcast_shape)
        x /= (self.std + 1e-6)
    # 数据ZAC白化处理
    if self.zca_whitening:
        if scipy is None:
            raise ImportError('Using zca_whitening requires SciPy. '
                              'Install SciPy.')
        flat_x = np.reshape(
            x, (x.shape[0], x.shape[1] * x.shape[2] * x.shape[3]))
        sigma = np.dot(flat_x.T, flat_x) / flat_x.shape[0]
        u, s, _ = linalg.svd(sigma)
        s_inv = 1. / np.sqrt(s[np.newaxis] + self.zca_epsilon)
        self.principal_components = (u * s_inv).dot(u.T)

3.2 flow()

采集数据和标签数组，生成批量增强数据。

函数定义：

def flow(self,
         x,
         y=None,
         batch_size=32,
         shuffle=True,
         sample_weight=None,
         seed=None,
         save_to_dir=None,
         save_prefix='',
         save_format='png',
         subset=None)

参数：

• x: 输入数据。秩为 4 的 Numpy 矩阵或元组。如果是元组，第一个元素应该包含图像，第二个元素是另一个 Numpy 数组或一列 Numpy 数组，它们不经过任何修改就传递给输出。可用于将模型杂项数据与图像一起输入。对于灰度数据，图像数组的通道轴的值应该为 1，而对于 RGB 数据，其值应该为 3。
• y：标签
• batch_size：整型，默认32
• shuffle：布尔型，默认True,是否混洗数据
• sample_weight：样本权重
• seed：默认None
• save_to_dir：None 或 字符串（默认为 None）。这使您可以选择指定要保存的正在生成的增强图片的目录
• save_prefix: 字符串（默认 ‘’）。保存图片的文件名前缀（仅当 save_to_dir 设置时可用）。
• save_format: "png", "jpeg" 之一（仅当 save_to_dir 设置时可用）。默认：“png”。
• subset: 数据子集 ("training" 或 "validation")，如果 在 ImageDataGenerator 中设置了 validation_split。

返回值：
一个生成元组 (x, y) 的 Iterator，其中 x 是图像数据的Numpy 数组（在单张图像输入时），或 Numpy 数组列表（在额外多个输入时），y 是对应的标签的 Numpy 数组。如果 'sample_weight' 不是 None，生成的元组形式为(x, y, sample_weight)。如果 y 是 None, 只有 Numpy 数组 x 被返回。

内部调用数组迭代器类：

    return NumpyArrayIterator(
        x,
        y,
        self,
        batch_size=batch_size,
        shuffle=shuffle,
        sample_weight=sample_weight,
        seed=seed,
        data_format=self.data_format,
        save_to_dir=save_to_dir,
        save_prefix=save_prefix,
        save_format=save_format,
        subset=subset
    )

3.3 flow_from_directory()

功能： 获取图像路径，生成批量增强数据。

函数定义：

def flow_from_directory(self,
                directory,
                target_size=(256, 256),
                color_mode='rgb',
                classes=None,
                class_mode='categorical',
                batch_size=32,
                shuffle=True,
                seed=None,
                save_to_dir=None,
                save_prefix='',
                save_format='png',
                follow_links=False,
                subset=None,
                interpolation='nearest')

参数：

• directory:目标目录的路径。每个类应该包含一个子目录。任何在子目录树下的 PNG, JPG, BMP, PPM 或 TIF 图像，都将被包含在生成器中。
• target_size:整数元组(height,width)，默认：(256,256)。所有的图像将被调整到的尺寸.
• color_mode:"grayscale","rbg"之一。默认："rgb"。图像是否被转换成 1 或 3 个颜色通道。
• classes:可选的类的子目录列表（例如['dogs', 'cats']）。默认：None。如果未提供，类的列表将自动从 directory下的子目录名称/结构中推断出来，其中每个子目录都将被作为不同的类（类名将按字典序映射到标签的索引）。包含从类名到类索引的映射的字典可以通过class_indices属性获得。
• class_model："categorical", "binary", "sparse", "input"或None之一。默认："categorical"。决定返回的标签数组的类型：
  • "categorical"将 2D one-hot编码标签，
  • "binary"将是1D二进制标签，"sparse"将是 1D 整数标签，
  • "input"将是与输入图像相同的图像（主要用于自动编码器）。
  • 如果为 None，不返回标签（生成器将只产生批量的图像数据，对于 model.predict_generator(), model.evaluate_generator() 等很有用）。请注意，如果 class_mode 为 None，那么数据仍然需要驻留在 directory 的子目录中才能正常工作。
• batch_size: 一批数据的大小（默认 32）。
• shuffle:是否混洗数据（默认 True）
• seed:可选随机种子，用于混洗和转换。
• save_to_dir:None或字符串（默认None）。这使你可以最佳地指定正在生成的增强图片要保存的目录（用于可视化你在做什么）。
• save_format:字符串。 保存图片的文件名前缀（仅当 save_to_dir 设置时可用）。
• follow_links:是否跟踪类子目录中的符号链接（默认为 False）。
• subset:数据子集("training"或"validation")，如果 在 ImageDataGenerator 中设置了 validation_split。
• interpolation:在目标大小与加载图像的大小不同时，用于重新采样图像的插值方法。 支持的方法有 "nearest", "bilinear", and "bicubic"。 如果安装了 1.1.3 以上版本的 PIL 的话，同样支持 "lanczos"。 如果安装了 3.4.0 以上版本的 PIL 的话，同样支持 "box" 和 "hamming"。 默认情况下，使用 "nearest"。

返回值：
一个生成(x, y)元组的 DirectoryIterator，其中 x 是一个包含一批尺寸为 (batch_size, *target_size, channels)的图像的 Numpy 数组，y 是对应标签的 Numpy 数组。

3.4 flow_from_dataframe()

功能： 输入dataframe和目录的路径，并生成批量的增强/标准化数据。

该函数的输入数据格式为Pandas dataframe。

函数定义：

def flow_from_dataframe(self, dataframe, directory=None,
                x_col="filename", y_col="class", weight_col=None,
                target_size=(256, 256), color_mode='rgb', classes=None,
                class_mode='categorical', batch_size=32, shuffle=True, seed=None,
                save_to_dir=None, save_prefix='', save_format='png', subset=None,
                interpolation='nearest', validate_filenames=True, **kwargs)

参数：

• dataframe: Pandas dataframe，一列为图像的文件名，另一列为图像的类别， 或者是可以作为原始目标数据多个列。
• directory: 字符串，目标目录的路径，其中包含在 dataframe 中映射的所有图像。
• x_col : 字符串，dataframe中包含目标图像文件夹的目录的列。
• y_col: 字符串或字符串列表，dataframe中将作为目标数据的列。
• has_ext: 布尔值，如果 dataframe[x_col] 中的文件名具有扩展名则为True，否则为 False。
• target_size: 整数元组(height, width)，默认为 (256, 256)。所有找到的图都会调整到这个维度。
• color_mode: "grayscale", "rbg" 之一。默认："rgb"。 图像是否转换为 1 个或 3 个颜色通道。
• classes: 可选的类别列表 (例如， ['dogs', 'cats'])。默认：None。 如未提供，类比列表将自动从 y_col 中推理出来，y_col将会被映射为类别索引）。 包含从类名到类索引的映射的字典可以通过属性class_indices获得。
• class_mode: "categorical", "binary", "sparse", "input", "other" or None之一。 默认："categorical"。决定返回标签数组的类型：
  • "categorical" 将是2D one-hot编码标签，
  • "binary" 将是 1D 二进制标签，
  • "sparse" 将是 1D 整数标签，
  • "input" 将是与输入图像相同的图像（主要用于与自动编码器一起使用），
  • "other" 将是y_col数据的numpy数组，None,不返回任何标签（生成器只会产生批量的图像数据，这对使用 model.predict_generator(), model.evaluate_generator() 等很有用）。
• batch_size: 批量数据的尺寸（默认：32）。
• shuffle: 是否混洗数据（默认：True）
• seed: 可选的混洗和转换的随即种子。
• save_to_dir: None 或 str (默认: None). 这允许你可选地指定要保存正在生成的增强图片的目录（用于可视化您正在执行的操作）。
• save_prefix: 字符串。保存图片的文件名前缀（仅当 save_to_dir 设置时可用）。
• save_format: "png","jpeg"之一（仅当save_to_dir设置时可用）。默认："png"。
• follow_links: 是否跟随类子目录中的符号链接（默认：False）。
• subset: 数据子集 ("training"或"validation")，如果在ImageDataGenerator 中设置了validation_split。
• interpolation: 在目标大小与加载图像的大小不同时，用于重新采样图像的插值方法。 支持的方法有"nearest", "bilinear", and "bicubic"。 如果安装了 1.1.3 以上版本的 PIL 的话，同样支持"lanczos"。 如果安装了 3.4.0 以上版本的 PIL 的话，同样支持 "box"和"hamming"。 默认情况下，使用"nearest"。

返回值：
一个生成(x, y) 元组的DataFrameIterator， 其中x是一个包含一批尺寸为 (batch_size, *target_size, channels)的图像样本的numpy数组，y 是对应的标签的 numpy 数组。

3.5 standardize()

此函数主要是对一组batch输入数据进行标准化处理。

主要步骤：

• 如果preprocessing_function不为空，则执行该指定函数的处理x = self.preprocessing_function(x)
• 如果rescale为True，则执行x*=self.rescale
• 如果samplewise_center为True,则执行x-=np.mean(x, keepdims=True)去中心化

  计算的是当前一组batch数据的均值

• 如果samplewise_std_normalization为True,则执行x /= (np.std(x, keepdims=True) + 1e-6)标准化

  计算的是当前一组batch数据的标准差

• 如果featurewise_center为True,self.mean不为空，则执行x -= self.mean去中心化，否则给出警告

• 如果featurewise_std_normalization为True,self.std不为空，则执行x /= (self.std + 1e-6)去中心化，否则给出警告
• 如果zca_whitening为True，self.principal_components不为空，则执行计算，否则给出警告

该函数的调用在_get_batches_of_transformed_samples()函数内，用来获取一组batch处理后的输入数据。

filepaths = self.filepaths
for i, j in enumerate(index_array):
    img = load_img(filepaths[j],
                   color_mode=self.color_mode,
                   target_size=self.target_size,
                   interpolation=self.interpolation)
    x = img_to_array(img, data_format=self.data_format)
    # Pillow images should be closed after `load_img`,
    # but not PIL images.
    if hasattr(img, 'close'):
        img.close()
    if self.image_data_generator:
        params = self.image_data_generator.get_random_transform(x.shape)
        x = self.image_data_generator.apply_transform(x, params)
        x = self.image_data_generator.standardize(x) # 执行标准化处理
    batch_x[i] = x

越写越觉得有问题，如果featurewise_center设置为True，其调用了.fit()函数对数据进行了处理（此时self.mean已经被赋值），那么再执行到self.image_data_generator.standardize(x)的时候，岂不是又进行了一次去中心化的处理？？

4. 具体使用

在使用Keras进行图像分类任务时，可以将训练数据按照以下结构进行保存：

datas/
    train/
        dogs/
            dog01.jpg
            dog02.jpg
            ...
        cats/
            cat01.jpg
            cat02.jpg
            ...
    validation/
        dogs/
            dog01.jpg
            dog02.jpg
            ...
        cats/
            cat01.jpg
            cat02.jpg
            ...

• 每个分类的图像存入一个文件夹中，按照训练集、验证集分开存放。
• 调用flow_from_directory()函数时，数据标签值可自动根据数据子目录的名称/结构推断出来，每个子目录都被作为不同的类。因此，标签值可以不输入。

4.1 示例1

该示例不进行数据的标准化/去中心化/ZAC白化处理

如果需要进行数据增强，则按以下步骤：

# 调用ImageDataGenerator类，
train_datagen = ImageDataGenerator(
        rotation_range=30,
        shear_range=0.2,
        zoom_range=0.2,
        horizontal_flip=True)

# 通过flow_from_directory方法实例化一个生成器，它将不断循环生成batch数据
train_generator = train_datagen.flow_from_directory(
    './datas/train',
    target_size=(config.image_size, config.image_size),
    class_mode='categorical',
    batch_size=config.batch_size)
    
# 将生成器作为模型训练函数fit_generator的参数
model.fit_generator(train_generator,
        steps_per_epoch=nb_train_samples//config.batch_size + 1,
        epochs=config.epochs,
        validation_data=val_generator,
        validation_steps=nb_val_samples//config.batch_size + 1,
        callbacks=callbacks)

从训练函数fit_generator的名称中也可以得出，它的输入是生成器对象。

同样，还可以应用于evaluate_generator或predict_generator方法。

4.2 对数据进行去中心化/标准化

4.2.1 通过调用ImageDateGenerator.fit()函数实现

由前面知识可知，fit()函数的作用是将数据生成器用于示例数据。
当参数featurewise_center或featurewise_std_normalization或zca_whitening为设置为True时会对输入的数据x相应执行去中心化、规范化、ZCA白化处理。

以去中心化为例，具体处理如下：

• 计算输入数据x的均值
• 执行x-=self.mean

# ImageDataGenerator.fit()
if self.featurewise_center:
    self.mean = np.mean(x, axis=(0, self.row_axis, self.col_axis))
    broadcast_shape = [1, 1, 1]
    broadcast_shape[self.channel_axis - 1] = x.shape[self.channel_axis]
    self.mean = np.reshape(self.mean, broadcast_shape)
    x -= self.mean

需要注意：均值是计算输入数据的均值。

需设置对应参数为True

如果不想使用输入数据自己的均值、标准差，则不能调用该函数，使用其他方法。

4.2.2 通过ImageDateGenerator.standardize()函数实现

该函数的作用是：将适当的规范化配置应用于一批输入数据

输入：输入将要被规范化处理的一组batch数据
返回：经过规范化处理后的输入数据

该函数对输入x是就地更改的，因为主要在用在内部对图像进行标准化并提供给网络，如果创建副本，会产生巨大的性能成本。

该函数对数据的处理包含两种情况：

1. 参数featurewise_center或featurewise_std_normalization设为True，但是数据没有经过.fit()函数进行处理。
   此时，没有通过fit()函数求取数据的均值和标准差等数据，则数据的均值和标准差是为空的，需要指定。
   默认为None：

   self.mean = None
   self.std = None
   

   处理如下：

   if self.featurewise_center:
       if self.mean is not None:
           x -= self.mean
       else:
           warnings.warn('This ImageDataGenerator specifies '
                         '`featurewise_center`, but it hasn\'t '
                         'been fit on any training data. Fit it '
                         'first by calling `.fit(numpy_data)`.')
   if self.featurewise_std_normalization:
       if self.std is not None:
           x /= (self.std + 1e-6)
       else:
           warnings.warn('This ImageDataGenerator specifies '
                         '`featurewise_std_normalization`, '
                         'but it hasn\'t '
                         'been fit on any training data. Fit it '
                         'first by calling `.fit(numpy_data)`.')
   

   需要手动设置数据的均值和标准差，才可以进行数据的处理，否则给出警告信息，正确使用方式如下：

   datagen = ImageDataGenerator(
               featurewise_center=True,
               rotation_range=30,
               shear_range=0.2,
               zoom_range=0.2)
   # 手动设置数据均值
   datagen.mean = np.array(config.data_mean, dtype=np.float32).reshape((1,1,3))
   train_generator = datagen.flow_from_directory(config.train_data,
                             target_size=img_size,
                             batch_size=batch_size,
                             class_mode=None,
                             shuffle=False)
   

2. 如果数据没有经过.fit()函数进行处理，且不知道数据均值/标准差，则通过samplewise_center和samplewise_std_normalization参数也可以处理。

   该参数自动计算当前传入一组batch数据的均值及标准差

   # ImageDateGenerator()
   def standardize(self, x):
       if self.samplewise_center:
           x -= np.mean(x, keepdims=True)
       if self.samplewise_std_normalization:
           x /= (np.std(x, keepdims=True) + 1e-6)
   

3. 通过preprocessing_function参数指定处理函数

   如果想把对数据处理的过程封装为一个单独的函数，则可以不使用上面介绍的方法（通过指定参数samplewise_center或samplewise_std_normalization或featurewise_center或featurewise_std_normalization ）

   如果self.preprocessing_function设置为处理函数，则先执行预处理函数。

   if self.preprocessing_function:
       x = self.preprocessing_function(x)
   

   调用方法：

   # 指定处理 函数preprocessing_function
   train_datagen = ImageDataGenerator(
       preprocessing_function=preprocess_input,
       rotation_range=30,
       shear_range=0.2,
       zoom_range=0.2,
       horizontal_flip=True)
   train_generator = train_datagen.flow_from_directory(
       './datas/train',
       target_size=(224,224),
       class_mode='categorical',
       batch_size=32)
   model.fit_generator(train_generator,
               steps_per_epoch=nb_train_samples//config.batch_size + 1,
               epochs=config.epochs,
               callbacks=callbacks)