图像预处理
对文件夹下批量图片进行rename
import os
# 图片存放的路径
path = r"C:\Users\ZJL\Desktop\1"
# 遍历更改文件名
num = 1
for file in os.listdir(path):
os.rename(os.path.join(path,file),os.path.join(path,str(num))+".jpg")
num = num + 1
本次项目只有八张图片，我们需要进行数据增强，获取更大的数据集。
首先，要对图像进行分辨率的统一。分辨率，即为图像中像素点的个数，例如，一个分辨率为 1920x1080 的图像，表示它在水平方向上有 1920 个像素，在垂直方向上有 1080 个像素。
问：为什么相同分辨率，相同文件类型，但是图片的文件大小不一样？
答：
图像内容的复杂程度：相同分辨率的图像，如果其内容越复杂，文件大小就可能越大。因为图像的复杂程度与其所包含的信息量有关，而信息量越大，文件大小也就越大。
像素的位深度：像素的位深度指的是每个像素能够表示的颜色的数量。例如，8 位深度的像素可以表示 256 种颜色，而 16 位深度的像素可以表示 65,536 种颜色。相同分辨率的图像，如果其像素的位深度不同，文件大小也可能会不同。
元数据的不同：图像文件中可能包含一些元数据，例如创建时间、修改时间、拍摄设备等信息，这些元数据的不同也可能会导致文件大小的差异。
在神经网络中，我们通常需要将输入图像的尺寸规范化为相同的分辨率。
然后我们进行数据增强
训练循环顺序：
步骤1
生成器不动，生成器产生一批假图片，再拿取一批真实图片，喂给判别器，训练判别器。
我们希望判别器对假图片打上标签0，对真图片打上标签1
步骤2
判别器不动，训练生成器
训练GAN网络训练多少次比较合适？
最好使用一种称为 "early stopping" 的方法，即在模型在验证集上的表现开始下降时停止训练。这样可以避免模型出现过拟合的情况。
另外，也可以使用 "learning rate decay" 的方法来防止模型出现过拟合的情况。这种方法的原理是，在训练过程中，会逐渐降低学习率，以便模型能够更加稳定地收敛到最优解。
