图片生成器的一个特性是可以把它指向一个目录，然后它的子目录将自动生成标签。
from tensorflow.keras,preprocessing.image import ImageDataGenerator图片生成器在keras,preprocessing.image中，可以像如下这样实例化一个图片生成器。
train_datagen = ImageDataGenerator(rescale = 1./255) train_generator = train_datagen.flow_from_directory( train_dir, target_size = (300, 300), batch_size = 128, class_mode= 'binary' )将rescale传递给它使其数据标准化，然后可以调用它上面的目录流方法，让它从该目录及其子目录加载图像。 把子目录指向生成器是一个常见错误！！！应该将其指向包含你的图像的子目录的那个目录！子目录的名称将是它包含的图片的标签，所以指向正确的目录并将其放到第二个参数 train_dir。 现在，图像在训练一个神经网络时，可能会以各种形状还有大小以及非巧合的方式出现，输入数据都具有相同的大小，这时就需要用代码target_size = (300, 300)调整，这个代码在你加载时图片就已经调整好了，所以不需要再在文件系统处理数以千计的图片；这样在运行时进行测试的好处是可以在不影响原数据的情况下，使用不同的大小进行测试。现在数据集已经是300×300，当使用其它数据集时，它们可能不总是大小均匀的，所以这一步很有用。 图片将为训练和验证批次载入，比一个一个的更加高效。现在通过代码batch_size = 128，有一个完整的科学计算批次大小，也可以测试不同的大小，来观察通过更改此参数对性能的影响。 class_mode= 'binary’这是一个分类模型，此处是一个二元分类，即它选择了两种不同的东西。
验证生成器步骤类似：
test_datagen = ImageDataGenerator(rescale = 1./255) validation_generator = test_datagen.flow_from_directory( validation_dir, target_size = (300, 300), batch_size = 32, class_mode= 'binary' )validation_dir让其指向一个不同的目录，即一个包含测试图像子目录的目录。
