我目前正在尝试使用卫星图像来识别苹果园。在这个过程中，我遇到了一个小问题，那就是每个类别的代表性数据数量不足。
事实上，我的疑问是：
在每次epoch中，是否可以从我的“非苹果”类别中随机选取一些不同的图像，因为这类图像的数量远多于“苹果”类别，我希望增加网络对不具有代表性的图像进行分类的概率。
提前感谢您的帮助
回答：
在Keras中这是不可能的。Keras默认会打乱您的训练数据，然后以mini-batch的方式进行训练。然而，仍有方法可以重新平衡您的数据集。
您所面临的不平衡训练数据问题相当普遍。您有许多可用的选项；我列出以下几种：
- 您可以使用
model.fit()函数中的class_weight关键字来调整各类别的相对权重。 - 您可以对“苹果”类别进行“上采样”，或对“非苹果”类别进行“下采样”，以便在训练期间两类别的数量相等。
- 您可以生成“苹果”类别的合成图像来增强您的数据集。为此，Keras中的ImageDataGenerator类特别有用。这个Keras教程是对其使用情况的一个很好的介绍。
根据我的经验，我发现第2和第3种方法最有用。第1种方法受到限制，因为当使用相差几个数量级的类别权重和较小的批量大小时，随机梯度下降的收敛性会受到影响。
Jason Brownlee整理了一份处理不平衡类别的策略列表，这对您可能也有用。
