flow_from_directory(directory)：这会获取目录，但不会获取分割的训练图像。
sklearn.model_selection.KFold:提供图像的拆分索引。这些可以在fit()中使用，但不能在fit_generator()中使用
如何将KFold与ImageDataGenerator一起使用？它在那里吗？
目前无法使用flow_from_directory生成器拆分文件夹中的数据集。这个选项根本没有实现。要获得test/train拆分，需要使用Python中的os库将主目录拆分为train/test/val目录集。
对于任何遇到这个问题的人：到这个答案发布的日期为止，在我看来，没有(至少，相对而言)简单的开箱即用的解决方案，并根据我自己的搜索结果来决定。
为了解决项目中的类似问题，我想出的唯一解决方案是在数据集中创建分区，分区数等于折叠数，并将它们保存为字典，分区数作为关键字，文件路径列表作为分区值。之后，您仍然需要将文件分别排序到训练和验证子集的类文件夹中。
例如：设K=10。算法可以这样描述：
- 将数据集划分为10个大小相等的分区
- 将一个分区作为验证子集。按类将其排序到所需的文件夹中
- 分区的其余部分应被视为训练子集，并排序到所需的文件夹中
- 为val和train子集创建data_generator
- 使用您的体系结构训练您的模型并将其保存
- 对每个其他分区重复上述步骤(将一个分区作为val，在其他分区上训练)，但现在必须从保存文件加载模型
我担心这个解决方案的代码片段(包括排序脚本和分区字典形成脚本)太大，无法在那里提供，但如果需要，我很乐意分享。
假设您有2个类的分类问题，我会做如下操作：
from keras.utils import to_categorical
train_y = to_categorical(train_y, num_classes=2)
test_y = to_categorical(test_y, num_classes=2)
aug = ImageDataGenerator(...) #your ImageDataGenerator
Model = model.fit_generator(aug.flow(train_x,tain_y, batch_size=32),
validation_data=(test_x,test_y))