我在使用Keras进行二分类问题时，采用ImageDataGenerator.flow_from_directory方法来生成批次。然而，我的类别分布非常不平衡，一个类别的样本数量是另一个的8到9倍，这导致模型总是预测同一个输出类别。我想知道是否可以设置flow_from_directory，在每个epoch中对小类别进行过采样或对大类别进行欠采样？目前，我只是通过复制小类别中的每个图像来解决这个问题，但我希望有更多的灵活性。

回答：

在当前版本的Keras中，仅使用Keras内置方法无法平衡你的数据集。flow_from_directory只是简单地列出所有文件及其类别，根据需要进行洗牌，然后迭代这些文件。

但你可以尝试另一种方法——编写自己的生成器，在python中实现平衡功能：

def balanced_flow_from_directory(flow_from_directory, options):    for x, y in flow_from_directory:         yield custom_balance(x, y, options)

这里的custom_balance应该是一个函数，它接收一个批次(x, y)，然后进行平衡处理并返回一个平衡后的批次(x', y')。对于大多数应用来说，批次的大小不需要相同——但也有一些特殊情况（例如有状态的RNN），批次大小需要固定。