训练和验证数据集类别标签映射及图片展示

本示例展示如何获取训练和验证数据集中的类别标签映射，以及如何使用 Python 代码展示部分训练集图片及其对应的类别标签。

代码示例:

labels = {value: key for key, value in train_generator.class_indices.items()}
print('Label Mappings for classes present in the training and validation datasets\n')
for key, value in labels.items():
    print(f'{key} : {value}')

code = {0: 'Long sleeved', 1: 'Short sleeve', 2: 'cotton-padded jacket', 3: 'longuette', 4: 'shorts'}
x_train = []
y_train = []

for folder in os.listdir(train_dir):
    files = gb.glob(pathname=str(train_dir + folder + '/*'))
    for file in files:
        imag = cv2.imread(file)
        imag_array = cv2.resize(imag, (150, 150))
        x_train.append(imag_array)
        y_train.append(code[folder])

# 随机选择25张训练集图片
sample_images = random.sample(list(zip(x_train, y_train)), 25)

# 展示训练集中的部分图片及其种类
plt.figure(figsize=(20, 20))
for n, i in enumerate(list(np.random.randint(0, len(x_train), 25))):
    plt.subplot(5, 5, n + 1)
    plt.imshow(x_train[i])
    plt.axis('off')
    plt.title(code[y_train[i]])

代码说明:

labels 变量用于存储类别标签映射，将训练数据集中每个类别的索引与类别名称关联。
code 变量用于存储类别名称与对应索引的映射关系，方便根据索引获取类别名称。
循环遍历训练数据目录，读取每个类别文件夹下的图片文件，并将其转换为 150x150 像素的图像数组，存储在 x_train 列表中。
对应每个图片，将该图片所在的类别索引存储在 y_train 列表中。
从 x_train 和 y_train 列表中随机选择 25 对图片和类别索引，并展示在图表中。

注意:

train_dir 变量需要替换为训练数据目录的路径。
gb 需要导入 glob 库，用于获取目录下的文件列表。
cv2 需要导入 OpenCV 库，用于读取和处理图片。
plt 需要导入 matplotlib 库，用于展示图片。
random 需要导入 random 库，用于随机选择图片。
np 需要导入 numpy 库，用于生成随机数。

本示例仅展示了如何获取类别标签映射和展示部分训练集图片，具体的训练和验证过程需要根据您的具体需求进行调整。