tf.keras.layers.RandomBrightness

Слой предобработки, который случайным образом регулирует яркость во время обучения.

Наследуется от: Layer, Module

tf.keras.layers.RandomBrightness(
    factor, value_range=(0, 255), seed=None, **kwargs
)

Этот слой случайным образом увеличивает/уменьшает яркость входных изображений в формате RGB. Во время вывода результат будет идентичен входу. Вызовите слой с training=True для регулировки яркости входных данных.

Обратите внимание, что разные коэффициенты изменения яркости будут применяться к каждому изображению в пакете.

Для обзора и полного списка слоев предобработки см. руководство по предобработке руководство.

Аргументы
`factor`	Вещественное число или список/кортеж из 2 вещественных чисел в диапазоне от -1.0 до 1.0. Коэффициент используется для определения нижней и верхней границ регулировки яркости. Случайное значение будет выбрано между пределами. Если выбрано -1.0, выходное изображение будет чёрным, а если 1.0 — полностью белым. Если предоставлено только одно вещественное число, например, 0.2, то нижняя граница будет -0.2, а верхняя — 0.2.
`value_range`	Необязательный список/кортеж из 2 вещественных чисел для нижней и верхней границы значений входных данных. По умолчанию [0.0, 255.0]. Может быть изменён, например, на [0.0, 1.0], если входные изображения были масштабированы до этого слоя. Регулировка яркости будет масштабирована до этого диапазона, а выходные значения будут ограничены этим диапазоном.
`seed`	Необязательное целое число для фиксированного поведения генератора случайных чисел.

Входные данные: 3D (HWC) или 4D (NHWC) тензор со значением типа float или int. Значения пикселей на входе могут быть любого диапазона (например, [0., 1.) или [0, 255])

Выход: 3D (HWC) или 4D (NHWC) тензор с отрегулированной яркостью, основанной на factor. По умолчанию слой будет возвращать значения типа float. Выходное значение будет ограничено диапазоном [0, 255], допустимым диапазоном RGB-цветов, и масштабировано на основании value_range при необходимости.

Пример использования:

random_bright = tf.keras.layers.RandomBrightness(factor=0.2)

# An image with shape [2, 2, 3]
image = [[[1, 2, 3], [4 ,5 ,6]], [[7, 8, 9], [10, 11, 12]]]

# Assume we randomly select the factor to be 0.1, then it will apply
# 0.1 * 255 to all the channel
output = random_bright(image, training=True)

# output will be int64 with 25.5 added to each channel and round down.
tf.Tensor([[[26.5, 27.5, 28.5]
            [29.5, 30.5, 31.5]]
           [[32.5, 33.5, 34.5]
            [35.5, 36.5, 37.5]]],
          shape=(2, 2, 3), dtype=int64)

Атрибуты

Атрибуты
`auto_vectorize`	Управление автовекторизацией. По умолчанию, метод `call()` использует функцию `tf.vectorized_map()`. Автовекторизацию можно отключить, установив `self.auto_vectorize = False` в методе `__init__()`. При отключении `call()` вместо этого полагается на `tf.map_fn()`. Например: class SubclassLayer(BaseImageAugmentationLayer): def __init__(self): super().__init__() self.auto_vectorize = False

auto_vectorize

Управление автовекторизацией.

По умолчанию, метод call() использует функцию tf.vectorized_map(). Автовекторизацию можно отключить, установив self.auto_vectorize = False в методе __init__(). При отключении call() вместо этого полагается на tf.map_fn(). Например:

class SubclassLayer(BaseImageAugmentationLayer):
  def __init__(self):
    super().__init__()
    self.auto_vectorize = False

© 2022 The TensorFlow Authors. All rights reserved.
Licensed under the Creative Commons Attribution License 4.0.
Code samples licensed under the Apache 2.0 License.
https://www.tensorflow.org/versions/r2.9/api_docs/python/tf/keras/layers/RandomBrightness