Справка кс 3 образец заполнения: Форма КС-3. Образец справки стоимости выполненных работ и затрат

Справка о стоимости выполненных работ и затрат форма КС-3 является приложением к акту форма КС-2, которые заполняются в отношении сдачи-приемки строительно-монтажных работ.

Данная справка является пояснением к акту приемки выполненных работ форма КС-2, с помощью которой подрядчик отчитывается перед заказчиком о выполненных строительных или монтажных работах. В справке поясняются произведенные затраты и указывается детальная стоимость работ.

Отличием справки КС-3 от акт КС-2 является то, что все суммы в справке указываются с НДС. В то время как в акте суммы прописываются без учета налога.

В бланке КС-3 включаются все произведенные затраты за отчетный период, включенные в сметную документацию, а также сопутствующие затраты, нигде не учтенные заранее. К последним можно отнести повышение оплаты труда работникам, повышение закупочных цен на строительные материалы и прочие непредвиденные расходы.

Заполняет акт выполненных работ КС-2 и справку к нему КС-3 подрядчик и предоставляет лично заказчику (если они работают напрямую) или субподрядчику.

Если необходимо принять скрытые работы, то составляется акт скрытых работ.

Также предлагаем скачать акт сдачи-приемки выполненных работ.

Образец заполнения справки о стоимости работ форма КС-3

Инструкция по заполнению формы КС-3:

Инвестор: заполняются реквизиты организации, спонсирующей проведение строительно-монтажных работ, поле заполняется при необходимости  и наличии инвестора.

Заказчик: реквизиты организации, заказавшей работы.

Подрядчик: реквизиты организации, выполнявшей строительные или монтажные работы.

Стройка: наименование и адрес объекта, на котором проводится строительство.

Договор подряда: номер и дата данного документа.

Отчетный период: временный период, за который отчитывается подрядчик.

В таблице приводится перечень выполненных работ и затрат с указанием их наименования, стоимости с начала проведения работ, с начала года и в отчетном периоде.

Как выше было сказано, все суммы должны включать налог на добавленную стоимость.

По итогам таблицы выводится итоговая потраченная сумма, а также отдельной строкой выделяется сумма налога.

Подписывают заполненный бланк справки КС-3 представители заказчика и подрядчика, а также ставят печати своих организаций.

Скачать бланк и образец

Скачать образец справки о стоимости работ и затрат форма КС-3 — ссылка.

Бланк справки о стоимости работ форма КС-3 — скачать в формате xls.

Как правильно заполнить форму КС-3 — справка о стоимости выполненных работ и затрат

Форма КС-3 представляет собой справку о стоимости произведенных работ, которая используется для расчетов с заказчиком. Данный документ составляется в необходимом количестве экземпляров для учета работ и услуг. Один из них предназначается для подрядчика, а второй – для заказчика работ. Если инвестор или финансирующая работы банковская организация требуют форму КС-3 для финансовой отчетности – дополнительные экземпляры составляются и для этих организаций.

Скачать бланк КС-3 (Excel)

Узнайте, как автоматически заполнять первичные документы >>

(Выписывайте документы без ошибок и в 2 раза быстрее за счет автоматического заполнения документов в программе Бизнес.Ру)

Посмотреть полный каталог бланков

Как правильно заполнить форму КС-3

Выполненные работы и затраты в форме КС-3 прописываются на основании договорной стоимости. Данный документ оформляется на выполненные монтажные или строительные работы за подотчетный период. В итоговую стоимость выполненных работ и затрат включается стоимость непосредственно строительно-монтажных работ согласно утвержденной смете, а также иные затраты, которые не могут быть отнесены к единичным расценкам на строительные работы.

К данным затратам относятся: рост заработной платы, повышение стоимости строительных/отделочных материалов, затраты на выплату премиальных и надбавок и тому подобные выплаты.

В графу №4 вписывается стоимость работ и затрат с указанием нарастающего итога с момента начала выполнения работ. Сюда же входит и отчетный период.
В графу №5 вписывается стоимость работ и затрат с указанием нарастающего итога с начала календарного года. Сюда же входит и отчетный период.
В графу №6 вписываются данные за отчетный период.

Все данные приводятся в среднем по всей стройке. При этом выделяются данные по каждому входящему в состав стройки объекту, этапу либо очереди, к монтажу которого приступили в подотчетном периоде. В графу №2 вписываются данные об оборудовании, а в графы №4-№6 – данные об уже выполненных монтажных работах.
В строке «Итого» прописывается итоговая сумма работ и затрат, но без учета НДС. Сумма НДС указывается отдельной строкой. В строке «Всего» прописывается стоимость затрат и работ, но уже с учетом суммы НДС.
При заполнении вышеуказанных строк необходимо быть предельно внимательным, так как именно на этом этапе допускают больше всего ошибок.

Следует отметить, что форма КС-3 является документом строгой отчетности. Именно по этой причине за предоставление некорректных данных предусматривается наказание для бухгалтера и руководителя организации. На документе проставляются печати организации и подписи бухгалтера и руководителя предприятия.

Читайте также технология продаж услуг >>

Как автоматизировать работу с документами и не заполнять бланки вручную

Автоматическое заполнение бланков документов. Сэкономьте свое время. Избавьтесь от ошибок.

Подключитесь к КЛАСС365 и пользуйтесь полным спектром возможностей:

• Автоматически заполнять актуальные типовые формы документов
• Печатать документы с изображением подписи и печати
• Создавать фирменные бланки с вашим логотипом и реквизитами
• Составлять лучшие коммерческие предложения (в том числе по собственным шаблонам)
• Выгружать документы в форматах Excel, PDF, CSV
• Рассылать документы по email прямо из системы
• Производить планирование продаж

С КЛАСС365 вы сможете не только автоматически готовить документы. КЛАСС365 позволяет управлять целой компанией в одной системе, с любого устройства, подключенного к интернету. Легко организовать эффективную работу с клиентами, партнерами и персоналом, вести торговый, складской и финансовый учет. КЛАСС365 автоматизирует всё предприятие.

Читайте также Методы учета затрат >>

std :: fill — cppreference.com

1) Присваивает данное значение элементам в диапазоне [первый, последний) .

[править] Параметры

[править] Возвращаемое значение

(нет)

[править] Сложность

Ровно последнее - первое присвоений.

[править] Исключения

Перегрузка с параметром шаблона с именем ExecutionPolicy сообщает об ошибках следующим образом:

• Если выполнение функции, вызванной как часть алгоритма, вызывает исключение и ExecutionPolicy является одной из стандартных политик, вызывается std :: terminate.Для любого другого ExecutionPolicy поведение определяется реализацией.
• Если алгоритму не удается выделить память, генерируется std :: bad_alloc.

[править] Возможная реализация

 шаблон <класс ForwardIt, класс T>
void fill (ForwardIt first, ForwardIt last, const T & value)
{
    for (; first! = last; ++ first) {
        * первое = значение;
    }
} 

[править] Пример

Следующий код использует fill () для установки всех элементов вектора из int s на -1:

 #include <алгоритм>
#include <вектор>
#include 

int main ()
{
    std :: vector  v {0, 1, 2, 3, 4, 5, 6, 7, 8, 9};

    std :: fill (v.begin (), v.end (), -1);

    for (auto elem: v) {
        std :: cout << elem << "";
    }
    std :: cout << "\ n";
} 

Выход:

 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 

[править] См. Также

- документация xgboost 1.3.0-SNAPSHOT

На этой странице содержится справочная информация по Python API для xgboost, пожалуйста, также обратитесь к Введение в пакет Python для получения дополнительной информации о пакете python.

Структура основных данных

Базовая библиотека XGBoost.

класс xgboost. DMatrix ( data , label = None , weight = None , base_margin = None , missing = None , silent = False , feature_names = None , feature_types = None , nthread = Нет )

Базы: объект

Матрица данных, используемая в XGBoost.

DMatrix - это внутренняя структура данных, используемая XGBoost. который оптимизирован как для эффективности памяти, так и для скорости обучения. Вы можете построить DMatrix из нескольких разных источников данных.

Параметры

• данные ( os.PathLike / string / numpy.array / scipy.sparse / pd.DataFrame / ) - dt.Frame / cudf.DataFrame / cupy.array / dlpack Источник данных DMatrix. Когда данные представляют собой строку или тип os.PathLike, они представляют путь Файл txt в формате libsvm, файл csv (указав параметр uri ‘Path_to_csv? Format = csv’) или двоичный файл, который может читать xgboost из.

• label ( list , numpy 1-D array or cudf.DataFrame , optional ) - Метка обучающих данных.

• отсутствует ( с плавающей запятой , необязательно ) - Значение во входных данных, которое должно присутствовать как отсутствующее стоимость. Если нет, по умолчанию используется np.nan.

• вес ( список , numpy 1-D массив или cudf.DataFrame , необязательно ) -

  Вес для каждого экземпляра.

  Примечание

  Для задачи ранжирования веса указаны для каждой группы.

  В задании ранжирования каждой группе присваивается один вес (не каждой группе). точка данных). Это потому, что мы заботимся только о родственниках упорядочение точек данных в каждой группе, поэтому это не делает смысл присваивать веса отдельным точкам данных.

• тихий ( логический , опционально ) - печатать ли сообщения во время строительства

• имена_компонентов ( список , необязательно ) - Задайте имена для функций.

• feature_types ( список , опционально ) - Задайте типы для функций.

• nthread (целое число , необязательно ) - количество потоков, используемых для загрузки данных при распараллеливании. применимо. Если -1, использует максимальное количество потоков, доступных в системе.

свойство имя_объекта

Получить имена функций (подписи столбцов).

Возврат

имена_функций

Тип возврата

список или нет

свойство feature_types

Получить типы объектов (типы столбцов).

Возврат

feature_types

Тип возврата

список или нет

get_base_margin ()

Получите базовую маржу DMatrix.

Возврат

base_margin

Тип возврата

поплавок

get_float_info ( поле )

Получить свойство float из DMatrix.

Параметры

field ( str ) - Имя поля информации

Возврат

info - массив данных с плавающей запятой

.

Тип возврата

массив

get_label ()

Получите этикетку DMatrix.

Возврат

этикетка

Тип возврата

массив

get_uint_info ( поле )

std :: fill_n - cppreference.com

1) Присваивает данное значение первому количеству элементов в диапазоне, начинающемся с первого , если количество > 0 .Иначе ничего не делает.

[править] Параметры

[править] Возвращаемое значение

[править] Сложность

Ровно подсчитывает назначений, для подсчитывает> 0 .

[править] Исключения

Перегрузка с параметром шаблона с именем ExecutionPolicy сообщает об ошибках следующим образом:

• Если выполнение функции, вызванной как часть алгоритма, вызывает исключение, а ExecutionPolicy является одной из стандартных политик, вызывается std :: terminate.Для любого другого ExecutionPolicy поведение определяется реализацией.
• Если алгоритму не удается выделить память, генерируется std :: bad_alloc.

[править] Возможная реализация

 шаблон <класс OutputIt, размер класса, класс T>
OutputIt fill_n (Сначала OutputIt, количество размеров, const T & значение)
{
    for (Размер i = 0; i 

[править] Пример

Следующий код использует fill_n () для присвоения -1 первой половине вектора целых чисел:

 #include <алгоритм>
#include <вектор>
#include 
#include 

int main ()
{
    std :: vector  v1 {0, 1, 2, 3, 4, 5, 6, 7, 8, 9};

    std :: fill_n (v1.begin (), 5, -1);

    std :: copy (begin (v1), end (v1), std :: ostream_iterator  (std :: cout, ""));
    std :: cout << '\ n';
} 

Выход:

[править] См. Также

Предварительная обработка графических данных

image_dataset_from_directory функция

  tf.keras.preprocessing.image_dataset_from_directory (
    каталог
    label = "предполагаемый",
    label_mode = "int",
    class_names = Нет,
    color_mode = "RGB",
    batch_size = 32,
    image_size = (256, 256),
    shuffle = True,
    семя = Нет,
    validation_split = Нет,
    подмножество = Нет,
    интерполяция = "билинейный",
    follow_links = Ложь,
)
  

Создает тс.data.Dataset из файлов изображений в каталоге.

Если ваша структура каталогов:

  main_directory /
... class_a /
...... a_image_1.jpg
...... a_image_2.jpg
... class_b /
...... b_image_1.jpg
...... b_image_2.jpg
  

Затем вызов image_dataset_from_directory (main_directory, labels = 'inferred') вернет tf.data.Dataset , который дает пакеты изображений из подкаталоги class_a и class_b вместе с ярлыками 0 и 1 (0 соответствует class_a и 1 соответствует class_b ).

Поддерживаемые форматы изображений: jpeg, png, bmp, gif. Анимированные гифки обрезаются до первого кадра.

Аргументы

• каталог : каталог, в котором находятся данные. Если меток "предполагаемый", он должен содержать подкаталоги, каждый из которых содержит изображения для класса. В противном случае структура каталогов игнорируется.
• ярлыки : Либо "предполагаемый" (метки генерируются из структуры каталогов), или список / кортеж целочисленных меток того же размера, что и количество файлы изображений, найденные в каталоге.Этикетки следует отсортировать по в алфавитно-цифровом порядке путей к файлам изображений (получено через os.walk (каталог) на Python).
• label_mode : - 'int': означает, что метки закодированы как целые числа (например, для sparse_categorical_crossentropy потеря ). - "категоричный" означает, что ярлыки закодирован как категориальный вектор (например, для categoryorical_crossentropy потерь). - «двоичный» означает, что метки (их может быть только 2) кодируются как float32 скаляров со значениями 0 или 1 (е.грамм. для binary_crossentropy ). - Нет (без ярлыков).
• class_names : Допустимо только в том случае, если «метки» являются «предполагаемыми». Это явный список имен классов (должен совпадать с именами подкаталогов). Используемый контролировать порядок занятий (в противном случае используется алфавитно-цифровой порядок).
• color_mode : Один из вариантов «оттенки серого», «rgb», «rgba». По умолчанию: «rgb». Будут ли изображения преобразованы в иметь 1, 3 или 4 канала.
• batch_size : размер пакетов данных.По умолчанию: 32.
• image_size : Размер для изменения размера изображений после их чтения с диска. По умолчанию (256, 256) . Поскольку конвейер обрабатывает пакеты изображений, которые все должны иметь того же размера, это должно быть предусмотрено.
• перемешать : перемешивать ли данные. По умолчанию: True. Если установлено значение False, данные сортируются в алфавитно-цифровом порядке.
• seed : дополнительное случайное начальное число для перетасовки и преобразований.
• validation_split : необязательное значение с плавающей запятой между 0 и 1, часть данных, которые нужно зарезервировать для проверки.
• подмножество : Одно из «обучение» или «проверка». Используется, только если установлено validation_split .
• интерполяция : строка, метод интерполяции, используемый при изменении размера изображений. По умолчанию билинейный . Поддерживает билинейных , ближайших , бикубических , площадь , lanczos3 , lanczos5 , гауссиан , mitchellcubic .
• follow_links : посещать ли подкаталоги, на которые указывают символические ссылки.По умолчанию False.

Возврат

A объект tf.data.Dataset . - Если label_mode равно None, это дает float32 тензора формы (размер_пакета, размер_изображения [0], размер_изображения [1], число_каналов) , кодирование изображений (правила относительно num_channels см. ниже). - В противном случае получается кортеж (изображения, метки) , где изображения имеет форму (batch_size, image_size [0], image_size [1], num_channels) , и метки следует формату, описанному ниже.

Правила относительно формата этикеток: - если label_mode равен int , метки представляют собой тензор формы int32 (размер партии,) . - если label_mode является двоичным , метки являются тензором float32 1 и 0 формы (batch_size, 1) . - если label_mode - это категориальный , метки являются тензором float32 формы (batch_size, num_classes) , представляющий собой горячую кодирование индекса класса.

Правила относительно количества каналов в полученных изображениях: - если color_mode - это оттенков серого , в тензорах изображения 1 канал. - если color_mode - это rgb , В тензоре изображения есть 3 канала. - если color_mode - это rgba , В изображении есть 4-х канальные тензоры.

load_img функция

  tf.keras.preprocessing.image.load_img (
    path, grayscale = False, color_mode = "rgb", target_size = None, interpolation = "ближайший"
)
  

Загружает изображение в формат PIL.

использование:

  изображение = tf.keras.preprocessing.image.load_img (путь_к образу)
input_arr = keras.preprocessing.image.img_to_array (изображение)
input_arr = np.array ([input_arr]) # Преобразование отдельного изображения в пакет.
прогнозы = model.predict (input_arr)
  

Аргументы

• путь : путь к файлу изображения.
• оттенки серого : УСТАРЕЛО используйте color_mode = "grayscale" .
• color_mode : Один из вариантов «оттенки серого», «rgb», «rgba».По умолчанию: «rgb». Желаемый формат изображения.
• target_size : Либо Нет (по умолчанию исходный размер) или кортеж целых чисел (img_height, img_width) .
• интерполяция : метод интерполяции, используемый для передискретизации изображения, если целевой размер отличается от размера загруженного изображения. Поддерживаемые методы: «ближайший», «билинейный» и «бикубический». Если установлена ​​PIL версии 1.1.3 или новее, то "lanczos" также поддерживается.Если установлена ​​PIL версии 3.4.0 или новее, "бокс" и "Hamming" также поддерживаются. По умолчанию используется «ближайший».

Возврат

Экземпляр изображения PIL.

Поднимает

• ImportError : если PIL недоступен.
• ValueError : если метод интерполяции не поддерживается.

img_to_array функция

  тф.керас. Препроцессинг. Образ.img_to_array (img, data_format = None, dtype = None)
  

Преобразует экземпляр изображения PIL в массив Numpy.

использование:

  из PIL import Image
img_data = np.random.random (размер = (100, 100, 3))
img = tf.keras.preprocessing.image.array_to_img (img_data)
массив = tf.keras.preprocessing.image.img_to_array (img)
  

Аргументы

• img : Входной экземпляр образа PIL.
• data_format : формат данных изображения, может быть либо "channels_first", либо "каналы_последний".По умолчанию Нет , в этом случае глобальная настройка tf.keras.backend.image_data_format () используется (если вы его не изменили, по умолчанию "channels_last").
• dtype : Dtype для использования. По умолчанию Нет , в этом случае глобальная настройка tf.keras.backend.floatx () используется (если вы его не изменили, по умолчанию к "float32")

Возврат

Массив 3D Numpy.

Поднимает

• ValueError : если недопустимый img или data_format передается.

ImageDataGenerator класс

  tf.keras.preprocessing.image.ImageDataGenerator (
    featurewise_center = Ложь,
    samplewise_center = Ложь,
    featurewise_std_normalization = Ложь,
    samplewise_std_normalization = Ложь,
    zca_whitening = Ложь,
    zca_epsilon = 1e-06,
    диапазон_ вращения = 0,
    width_shift_range = 0,0,
    height_shift_range = 0,0,
    яркость_диапазона = Нет,
    shear_range = 0,0,
    zoom_range = 0,0,
    channel_shift_range = 0,0,
    fill_mode = "ближайший",
    cval = 0.0,
    horizontal_flip = Ложь,
    vertical_flip = Ложь,
    rescale = Нет,
    preprocessing_function = Нет,
    data_format = Нет,
    validation_split = 0,0,
    dtype = Нет,
)
  

Создает пакеты данных тензорного изображения с увеличением данных в реальном времени.

Данные будут зациклены (пакетами).

Аргументы

• featurewise_center : Boolean. Установите для входного среднего значение 0 по набору данных по функциям.
• samplewise_center : логический.Установите для каждого образца среднее значение 0.
• featurewise_std_normalization : логический. Разделите входные данные по стандартным параметрам набора данных.
• samplewise_std_normalization : логический. Разделите каждый ввод на его стандартное значение.
• zca_epsilon : epsilon для отбеливания ZCA. По умолчанию 1e-6.
• zca_whitening : логический. Нанесите отбеливание ZCA.
• диапазон_ вращения : внутр. Диапазон градусов для случайных вращений.
• width_shift_range : Float, 1-D array-like или int - float: доля общей ширины, если <1, или пикселей, если> = 1.- 1-мерный массив: случайные элементы из массива. - int: целое число пикселей из интервала (-диапазон_ширина_диапазона, + диапазон_ширина_двига) - При width_shift_range = 2 возможных значения целые числа [-1, 0, +1] , то же, что и для width_shift_range = [- 1, 0, +1] , в то время как с width_shift_range = 1.0 возможных значения - float в интервале [-1,0, +1,0).
• height_shift_range : Float, 1-D array-like или int - float: доля общей высоты, если <1, или пикселей, если> = 1.- 1-мерный массив: случайные элементы из массива. - int: целое число пикселей из интервала (-диапазон_высоты, + диапазон_высоты) - При height_shift_range = 2 возможных значения целые числа [-1, 0, +1] , то же, что и для height_shift_range = [- 1, 0, +1] , в то время как с height_shift_range = 1.0 возможных значения - числа с плавающей запятой в интервале [-1,0, +1,0).
• диапазон_яркости : кортеж или список из двух чисел с плавающей запятой.Диапазон для комплектации значение сдвига яркости от.
• диапазон сдвига : Плавающий. Интенсивность сдвига (Угол сдвига против часовой стрелки в градусах)
• диапазон масштабирования : плавающий или [нижний, верхний]. Диапазон случайного увеличения. Если число с плавающей запятой, [нижний, верхний] = [1-диапазон_увеличения, 1 + диапазон_увеличения] .
• channel_shift_range : Плавающий. Диапазон случайных сдвигов каналов.
• fill_mode : Один из {"постоянный", "ближайший", "отражающий" или "переносимый"}.По умолчанию - «ближайший». Точки за пределами ввода закрашиваются согласно заданному режиму: - 'константа': kkkkkkkk | abcd | kkkkkkkk (cval = k) - 'ближайший': aaaaaaaa | abcd | dddddddd - 'отразить': abcddcba | abcd | dcbaabcd - 'обертка': abcdabcd | abcd | abcdabcd
• cval : Float или Int. Значение, используемое для точек за пределами границ когда fill_mode = "constant" .
• horizontal_flip : логическое значение. Произвольно переворачивайте входы по горизонтали.
• vertical_flip : логическое значение. Произвольно переворачивайте входы по вертикали.
• rescale : коэффициент масштабирования. По умолчанию Нет. Если None или 0, масштабирование не применяется, в противном случае мы умножаем данные на предоставленное значение (после применения всех остальных преобразований).
• preprocessing_function : функция, которая будет применяться к каждому входу. Функция запустится после изменения размера и увеличения изображения. Функция должна принимать один аргумент: одно изображение (тензор Numpy ранга 3), и должен выводить тензор Numpy с той же формой.
• data_format : Формат данных изображения, либо "каналы_первый", либо "каналы_последний". Режим "channels_last" означает, что изображения должны иметь форму (образцы, высота, ширина, каналы) , Режим "channels_first" означает, что изображения должны иметь форму (образцы, каналы, высота, ширина) . По умолчанию используется значение image_data_format , найденное в вашем Файл конфигурации Keras по адресу ~ / .keras / keras.json . Если вы никогда не устанавливали его, то это будет «channels_last».
• validation_split : Float. Часть изображений, зарезервированных для проверки (строго между 0 и 1).
• dtype : Dtype для использования для сгенерированных массивов.

Примеры

Пример использования .flow (x, y) :

  (x_train, y_train), (x_test, y_test) = cifar10.load_data ()
y_train = np_utils.to_categorical (y_train, num_classes)
y_test = np_utils.to_categorical (y_test, num_classes)
datagen = ImageDataGenerator (
    featurewise_center = True,
    featurewise_std_normalization = Верно,
    Rotation_range = 20,
    width_shift_range = 0.2,
    height_shift_range = 0,2,
    horizontal_flip = True)
# вычислить количества, необходимые для поэлементной нормализации
# (стандартное, среднее и основные компоненты, если применяется отбеливание ZCA)
datagen.fit (x_train)
# соответствует модели на пакетах с увеличением данных в реальном времени:
model.fit (datagen.flow (x_train, y_train, batch_size = 32),
          steps_per_epoch = len (x_train) / 32, epochs = эпохи)
# вот более "ручной" пример
для e в диапазоне (эпохах):
    print ('Эпоха', e)
    партии = 0
    для x_batch, y_batch в датагене.поток (x_train, y_train, batch_size = 32):
        model.fit (x_batch, y_batch)
        партии + = 1
        если партии> = len (x_train) / 32:
            # нам нужно разорвать цикл вручную, потому что
            # генератор зацикливается бесконечно
            перерыв
  

Пример использования .flow_from_directory (каталог) :

  train_datagen = ImageDataGenerator (
        rescale = 1. / 255,
        shear_range = 0,2,
        zoom_range = 0,2,
        horizontal_flip = True)
test_datagen = ImageDataGenerator (масштабирование = 1./ 255)
train_generator = train_datagen.flow_from_directory (
        'данные / поезд',
        target_size = (150, 150),
        batch_size = 32,
        class_mode = 'двоичный')
validation_generator = test_datagen.flow_from_directory (
        'валидация данных',
        target_size = (150, 150),
        batch_size = 32,
        class_mode = 'двоичный')
model.fit (
        train_generator,
        steps_per_epoch = 2000,
        эпох = 50,
        validation_data = validation_generator,
        validation_steps = 800)
  

Пример одновременного преобразования изображений и масок.

  # создаем два экземпляра с одинаковыми аргументами
data_gen_args = dict (featurewise_center = True,
                     featurewise_std_normalization = Верно,
                     диапазон_ вращения = 90,
                     width_shift_range = 0,1,
                     height_shift_range = 0,1,
                     zoom_range = 0,2)
image_datagen = ImageDataGenerator (** data_gen_args)
mask_datagen = ImageDataGenerator (** data_gen_args)
# Предоставьте одинаковые аргументы начального числа и ключевого слова для методов соответствия и потока
семя = 1
image_datagen.fit (images, augment = True, seed = seed)
mask_datagen.fit (маски, augment = True, seed = seed)
image_generator = image_datagen.flow_from_directory (
    'данные / изображения',
    class_mode = Нет,
    seed = семя)
mask_generator = mask_datagen.flow_from_directory (
    'данные / маски',
    class_mode = Нет,
    seed = семя)
# объединить генераторы в один, который дает изображение и маски
train_generator = zip (генератор_образа, генератор_маски)
model.fit (
    train_generator,
    steps_per_epoch = 2000,
    эпох = 50)
  

поток метод

  ImageDataGenerator.течь(
    Икс,
    y = Нет,
    batch_size = 32,
    shuffle = True,
    sample_weight = Нет,
    семя = Нет,
    save_to_dir = Нет,
    save_prefix = "",
    save_format = "png",
    подмножество = Нет,
)
  

Принимает массивы данных и меток, генерирует пакеты расширенных данных.

Аргументы

• x : входные данные. Массив Numpy ранга 4 или кортеж. Если кортеж, первый элемент должен содержать изображения, а второй элемент - другой numpy массив или список массивов numpy, который передается на вывод без любые модификации.Может использоваться для подачи различных данных модели вместе с изображениями. В случае данных в градациях серого ось каналов массив изображений должен иметь значение 1, в случае данных RGB он должен иметь значение 3, а в случае данных RGBA должно иметь значение 4.
• y : Этикетки.
• batch_size : Int (по умолчанию: 32).
• перемешать : Boolean (по умолчанию: True).
• sample_weight : Вес образцов.
• seed : Int (по умолчанию: нет).
• save_to_dir : None или str (по умолчанию: None). Это позволяет вам при желании укажите каталог, в который будут сохраняться расширенные изображения. сгенерировано (полезно для визуализации того, что вы делаете).
• save_prefix : Str (по умолчанию: '' ). Префикс, используемый для имен файлов сохраненных картинки (актуально, только если установлено save_to_dir ).
• save_format : один из «png», «jpeg» (актуально, только если установлено save_to_dir ).По умолчанию: «png».
• подмножество : подмножество данных ( «обучение» или «проверка» ), если validation_split устанавливается в ImageDataGenerator .

Возврат

Итератор , дающий кортежи (x, y) где x - массив данных изображения numpy (в случае ввода одного изображения) или список массивов numpy (в случае с дополнительные входы) и y - массив numpy соответствующих этикеток.Если sample_weight не равно None, Полученные кортежи имеют вид (x, y, sample_weight) . Если y равно None, возвращается только массив numpy x .

flow_from_dataframe метод

  ImageDataGenerator.flow_from_dataframe (
    фрейм данных
    directory = None,
    x_col = "имя файла",
    y_col = "класс",
    weight_col = Нет,
    target_size = (256, 256),
    color_mode = "RGB",
    классы = Нет,
    class_mode = "категориальный",
    batch_size = 32,
    shuffle = True,
    семя = Нет,
    save_to_dir = Нет,
    save_prefix = "",
    save_format = "png",
    подмножество = Нет,
    интерполяция = "ближайший",
    validate_filenames = True,
    ** kwargs
)
  

Принимает фрейм данных и путь к каталогу + генерирует пакеты.

Сгенерированные пакеты содержат дополненные / нормализованные данные.

Простое руководство можно найти здесь.

Аргументы

• фрейм данных : фрейм данных Pandas, содержащий пути к файлам относительно каталог (или абсолютные пути, если каталог - Нет) изображений в строковом столбце. Он должен включать другие столбцы в зависимости от class_mode : - если class_mode - это "категориальный" (значение по умолчанию) он должен включать столбец y_col с классы каждого изображения.Значения в столбце могут быть строкой / списком / кортежем если один класс или список / кортеж, если несколько классов. - если class_mode - это "двоичный" или "разреженный" , он должен включать данный y_col столбец со значениями классов в виде строк. - если class_mode - "raw" или "multi_output" он должен содержать столбцы указано в у_кол . - если class_mode равно "input" или Нет нет необходим дополнительный столбец.
• каталог : строка, путь к каталогу для чтения изображений. Если Нет , данные в столбце x_col должны быть абсолютными путями.
• x_col : строка, столбец в кадре данных , который содержит имена файлов (или абсолютные пути, если каталог равен Нет ).
• y_col : строка или список, столбец / с в фрейме данных , который имеет целевые данные.
• weight_col : строка, столбец в кадре данных , который содержит образец веса.По умолчанию: Нет .
• target_size : кортеж целых чисел (высота, ширина) , по умолчанию: (256, 256) . Размеры, до которых будут изменены все найденные изображения.
• color_mode : одно из «оттенков серого», «rgb», «rgba». По умолчанию: «rgb». Будь то изображения будут преобразованы в 1 или 3 цветовых канала.
• классы : дополнительный список классов (например, ['собаки', 'кошки'] ). По умолчанию Никто. Если не указан, список классов будет автоматически полученный из y_col , который будет отображаться в индексы меток, будет быть буквенно-цифровым).Словарь, содержащий отображение из класса имена для индексов классов можно получить через атрибут класс_индексов .
• class_mode : один из «двоичный», «категориальный», «входной», «multi_output», "raw", sparse или None. По умолчанию: "категоричный". Режим достижения целей: - "двоичный" : 1D массив двоичных меток, - «категориальный» : двумерный массив numpy меток с горячим кодированием. Поддерживает вывод нескольких этикеток. - «вход» : изображения, идентичные входным изображениям (в основном используются для работы с автоэнкодерами), - «multi_output» : список со значениями разных столбцов, - "raw" : массив значений в y_col столбцах, - "sparse" : 1D numpy массив целочисленных меток, - None , no target возвращаются (генератор выдаст только пакеты данных изображения, что полезно использовать в модели .прогнозировать () ).
• batch_size : размер пакетов данных (по умолчанию: 32).
• перемешать : следует ли перемешивать данные (по умолчанию: True)
• seed : дополнительное случайное начальное число для перетасовки и преобразований.
• save_to_dir : None или str (по умолчанию: None). Это позволяет вам при желании укажите каталог, в который будут сохраняться расширенные изображения. сгенерировано (полезно для визуализации того, что вы делаете).
• save_prefix : ул.Префикс для использования в именах файлов сохраненных изображений (только актуально, если установлено save_to_dir ).
• save_format : один из «png», «jpeg» (актуально, только если установлено save_to_dir ). По умолчанию: «png».
• подмножество : подмножество данных ( «обучение» или «проверка» ), если validation_split устанавливается в ImageDataGenerator .
• интерполяция : метод интерполяции, используемый для передискретизации изображения, если целевой размер отличается от размера загруженного изображения.Поддерживается методы: «ближайший» , «билинейный» и «бикубический» . Если версия PIL Установлена ​​версия 1.1.3 или новее, также поддерживается "lanczos" . Если PIL установлена ​​версия 3.4.0 или новее, также установлены "box" и "hamming" поддерживается. По умолчанию используется «ближайший» .
• validate_filenames : логическое значение, следует ли проверять имена файлов изображений в x_col . Если True , недопустимые изображения будут игнорироваться.Отключение этого опция может привести к ускорению выполнения этой функции. По умолчанию True .
• ** kwargs : устаревшие аргументы в пользу предупреждения об устаревании.

Возврат

DataFrameIterator , дающий кортежи из (x, y) где x - массив numpy, содержащий партию изображений с формой (batch_size, * target_size, каналы) и y - массив соответствующих меток.

flow_from_directory метод

  ImageDataGenerator.flow_from_directory (
    каталог
    target_size = (256, 256),
    color_mode = "RGB",
    классы = Нет,
    class_mode = "категориальный",
    batch_size = 32,
    shuffle = True,
    семя = Нет,
    save_to_dir = Нет,
    save_prefix = "",
    save_format = "png",
    follow_links = Ложь,
    подмножество = Нет,
    интерполяция = "ближайший",
)
  

Указывает путь к каталогу и генерирует пакеты расширенных данных.

Аргументы

• каталог : строка, путь к целевому каталогу. Он должен содержать один подкаталог для каждого класса. Любые изображения PNG, JPG, BMP, PPM или TIF ​​внутри каждый из подкаталогов дерева каталогов будет включен в генератор. Смотрите этот сценарий Больше подробностей.
• target_size : Кортеж целых чисел (высота, ширина) , по умолчанию (256, 256) . Размеры, до которых будут изменены все найденные изображения.
• color_mode : Один из вариантов «оттенки серого», «rgb», «rgba». По умолчанию: «rgb». Будь то изображения будут преобразованы в 1, 3 или 4 канала.
• классы : Дополнительный список подкаталогов классов (например, ["собаки", "кошки"] ). По умолчанию: Нет. Если не указан, список классов будет автоматически выведен из подкаталога имена / структура в каталоге , где каждый подкаталог будет рассматривается как другой класс (и порядок классов, которые будет отображаться в индексы лейбла, будет буквенно-цифровым).В словарь, содержащий отображение имен классов на класс индексы можно получить через атрибут class_indices .
• class_mode : одно из «категориальный», «двоичный», «разреженный», "ввод" или Нет. По умолчанию: «категорический». Определяет тип возвращаемых массивов меток: - "категориальными" будут двухмерные метки с горячим кодированием, - "двоичные" будут быть 1D двоичными метками, "sparse" будет 1D целочисленными метками, - "input" будут изображения, идентичные входным изображениям (в основном используются для работы с автоэнкодеры).- Если None, метки не возвращаются (генератор будет давать только пакеты данных изображения, которые полезно использовать с model.predict () ). Обратите внимание, что в случае class_mode Нет, данные по-прежнему должны находиться в подкаталоге каталога , чтобы он работал правильно.
• batch_size : размер пакетов данных (по умолчанию: 32).
• shuffle : перемешивать ли данные (по умолчанию: True). Если установлено значение False, сортирует данные в алфавитно-цифровом порядке.
• seed : дополнительное случайное начальное число для перетасовки и преобразований.
• save_to_dir : None или str (по умолчанию: None). Это позволяет вам при желании укажите каталог, в который будут сохраняться расширенные изображения. сгенерировано (полезно для визуализации того, что вы делаете).
• save_prefix : ул. Префикс для использования в именах файлов сохраненных изображений (только актуально, если установлено save_to_dir ).
• save_format : один из форматов «png», «jpeg». (актуально, только если установлено save_to_dir ).По умолчанию: «png».
• follow_links : следовать ли символическим ссылкам внутри подкаталоги класса (по умолчанию: False).
• подмножество : подмножество данных ( «обучение» или «проверка» ), если validation_split устанавливается в ImageDataGenerator .
• интерполяция : метод интерполяции, используемый для передискретизации изображения, если целевой размер отличается от размера загруженного изображения. Поддерживается методы: «ближайший» , «билинейный» и «бикубический» .Если версия PIL Установлена ​​версия 1.1.3 или новее, также поддерживается "lanczos" . Если PIL установлена ​​версия 3.4.0 или новее, также установлены "box" и "hamming" поддерживается. По умолчанию используется «ближайший» .

Возврат

A DirectoryIterator , дающий кортежи из (x, y) где x - массив numpy, содержащий партию изображений с формой (batch_size, * target_size, каналы) и y - массив соответствующих меток.