我想使用ImageDataGenerator的flow_from_directory方法来生成回归模型的训练数据，其中目标值可以是-1到1之间的任何浮点数。flow_from_directory有一个”class_mode”参数，其描述如下：

class_mode: “categorical”、”binary”、”sparse”或None之一。默认值为”categorical”。决定返回的标签数组的类型：”categorical”将是二维的独热编码标签，”binary”将是一维的二进制标签，”sparse”将是一维的整数标签。

这些值中我应该选择哪一个？似乎没有一个真正适合…

回答：

截至目前（2017年1月21日的最新版本Keras），flow_from_directory只能以以下方式工作：

1. 您需要按以下方式组织目录结构：

   包含图像的目录\    第一个标签\        第一个标签的第一张图片        第一个标签的第二张图片        第一个标签的第三张图片        ...    第二个标签\        第二个标签的第一张图片        第二个标签的第二张图片        第二个标签的第三张图片        ...    ...

2. flow_from_directory返回固定大小的批次，格式为(图片, 标签)。

如您所见，它只能用于分类情况，并且文档中提供的所有选项仅指定类别提供给分类器的方式。但是，有一个巧妙的技巧可以使flow_from_directory在回归任务中派上用场：

1. 您需要按以下方式组织目录结构：

   包含图像的目录\    第一个值（例如 -0.95423\)\        第一个值的第一张图片        第一个值的第二张图片        第一个值的第三张图片        ...    第二个值（例如 -0.9143242\)\        第二个值的第一张图片        第二个值的第二张图片        第二个值的第三张图片        ...   ...

2. 您还需要有一个列表list_of_values = [第一个值, 第二个值, ...]。然后您的生成器定义如下：

   def regression_flow_from_directory(flow_from_directory_gen, list_of_values):    for x, y in flow_from_directory_gen:        yield x, list_of_values[y]

对于flow_from_directory_gen来说，设置class_mode='sparse'是至关重要的，这才能使其正常工作。当然，这有点麻烦，但它确实有效（我使用过这个解决方案 :)）