无论是训练机器学习或是深度学习，第一步当然是先划分数据集啦，今天小白整理了一些划分数据集的方法，希望大佬们多多指教啊，嘻嘻~
首先看一下数据集的样子，flower_data文件夹下有四个文件夹，每个文件夹表示一种花的类别
划分数据集的主要步骤：
1. 定义一个空字典，用来存放各个类别的训练集、测试集和验证集，字典的key是类别，value也是一个字典，存放该类别的训练集、测试集和验证集；
2.使用python获取所有的类别文件夹；
3.对每个类别划分训练集、测试集和验证集：（1）把该类别的所有有效图片放入一个列表中；（2）设置一个随机数对列表进行划分。
具体的代码实现如下所示
importglobimportos.pathimportrandomimportnumpy as np#图片数据文件夹
INPUT_DATA = ‘./flower_data‘
#这个函数从数据文件夹中读取所有的图片列表并按训练、验证、测试数据分开#testing_percentage和validation_percentage指定了测试数据集和验证数据集的大小
defcreate_image_lists(testing_percentage,validation_percentage):#得到的所有图片都存在result这个字典里，key为类别的名称，value值也是一个字典，存放的是该类别的
#文件名、训练集、测试集和验证集
result ={}#获取当前目录下所有的子目录,这里x 是一个三元组(root,dirs,files)，第一个元素表示INPUT_DATA当前目录，
#第二个元素表示当前目录下的所有子目录,第三个元素表示当前目录下的所有的文件
sub_dirs = [x[0] for x inos.walk(INPUT_DATA)]#sub_dirs = [‘./flower_data‘,‘./flower_data\\daisy‘,‘./flower_data\\dandelion‘,
#‘./flower_data\\roses‘,‘./flower_data\\sunflowers‘,‘./flower_data\\tulips‘]
#每个子目录表示一类花，现在对每类花划分训练集、测试集和验证集
#sub_dirs[0]表示当前文件夹本身的地址，不予考虑，只考虑他的子目录（各个类别的花）
for sub_dir in sub_dirs[1:]:#获取当前目录下所有的有效图片文件
extensions = [‘jpg‘,‘jpeg‘]#把图片存放在file_list列表里
file_list =[]#os.path.basename(sub_dir)返回sub_sir最后的文件名
#如os.path.basename(‘./flower_data/daisy‘)返回daisy
dir_name =os.path.basename(sub_dir)for extension inextensions:
file_glob= os.path.join(INPUT_DATA,dir_name,‘*.‘+extension)#glob.glob(file_glob)获取指定目录下的所有图片，存放在file_list中
file_list.extend(glob.glob(file_glob))if not file_list: continue
#通过目录名获取类别的名称,返回将字符串中所有大写字符转换为小写后生成的字符串
label_name =dir_name.lower()#初始化当前类别的训练数据集、测试数据集和验证数据集
training_images =[]
testing_images=[]
validation_images=[]for file_name infile_list:
base_name=os.path.basename(file_name)#随机将数据分到训练数据集、测试数据集和验证数据集
#产生一个随机数，最大值为100
chance = np.random.randint(100)if chance
validation_images.append(base_name)elif chance < (testing_percentage+validation_percentage):
testing_images.append(base_name)else:
training_images.append(base_name)#将当前类别是数据放入结果字典
result[label_name]={‘dir‘:dir_name,‘training‘:training_images,‘testing‘:testing_images,‘validation‘:validation_images}#返回整理好的所有数据
returnresult
result= create_image_lists(10,30)print(result)
运行结果：
可以看出字典result中有五个key,表示五个类别。
下图是各个类别的划分情况：
原文地址：https://www.cnblogs.com/lijingblog/p/9888930.html
