Data AugmentationでEfficientNetモデルの精度を向上させる

from mixup_generator import MixupGenerator #Pythonスクリプトの読込み
batch_size =32 
#keras_Data_Augmentation:水平／垂直移動、水平反転
datagen = tf.keras.preprocessing.image.ImageDataGenerator(width_shift_range=0.1, #ランダムに水平シフトする範囲
                                                          height_shift_range=0.1, #ランダムに垂直シフトする範囲
                                                          horizontal_flip=True) #水平方向に入力をランダムに反転

#Mixup
training_generator = MixupGenerator(x_train, y_train, batch_size=batch_size, alpha=0.4, datagen=datagen)()
#x_trainは画像データ、y_trainはラベルデータです。alphaは2枚の画像のブレンド割合

from random_eraser import get_random_eraser
batch_size =32 
#keras_Data_Augmentation + RandomErasing
datagen2 = tf.keras.preprocessing.image.ImageDataGenerator(width_shift_range=0.1,
                                                           height_shift_range=0.1,
                                                           horizontal_flip=True,
                                                           preprocessing_function=get_random_eraser(v_l=0, v_h=255)) #RandomErasing
training_generator2 = MixupGenerator(x_train, y_train, alpha=0.4, datagen=datagen2)()

import tensorflow as tf
from tensorflow.keras.utils import to_categorical
import numpy as np
from sklearn.model_selection import train_test_split
from PIL import Image
import glob
import matplotlib.pyplot as plt
import tensorflow_hub as hub
from tensorflow.keras import layers
from mixup_generator import MixupGenerator
from random_eraser import get_random_eraser
import seaborn as sns

folder = ['A', 'B', 'C'] #分類するクラス
image_size = 64 #インプット画像のサイズ
X = []
Y = []
for index, name in enumerate(folder): #ディレクトリの種類、画像ファイル名を繰返し取得する
    dir = "./rice/" + name #ご自身のディレクトリ名を指定してください
    files = glob.glob(dir + "/*.jpg") #ファイル名の取得
    for i, file in enumerate(files): #各画像へ↓の処理を繰返し実施する
        image = Image.open(file) #画像の読み込み
        image = image.convert("RGB") #RGBに変換
        image = image.resize((image_size, image_size)) #サイズ変更
        data = np.asarray(image) #画像データを配列へ変更
        X.append(data) #画像データを繰返し追加
        Y.append(index) #daisy:0, dandelion:1の値を繰返し追加
X = np.array(X)
Y = np.array(Y)

#画像データを0~1の値へ変換
X = X.astype('float32')
X = X / 255.0
#正解ラベルの形式を変換
Y = to_categorical(Y, 3)
#学習用データとテストデータへ分割
x_train, x_test, y_train, y_test = train_test_split(X, Y, test_size=0.30)

#Data Augmentation
batch_size =32 
datagen = tf.keras.preprocessing.image.ImageDataGenerator(width_shift_range=0.1, #ランダムに水平シフトする範囲
                                                          height_shift_range=0.1, #ランダムに垂直シフトする範囲
                                                          horizontal_flip=True) #水平方向に入力をランダムに反転
　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　#, preprocessing_function=get_random_eraser(v_l=0, v_h=255) #RandomErasingを使う場合はコメントアウトを外してください
　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　)
#Mixup
training_generator = MixupGenerator(x_train, y_train, batch_size=batch_size, alpha=0.4, datagen=datagen)()
#x_trainは画像データ、y_trainはラベルデータです。alphaは2枚の画像のブレンド割合

#EfficientNet
#B0
feature_extractor_url = "https://tfhub.dev/tensorflow/efficientnet/b0/feature-vector/1"
feature_extractor_layer = hub.KerasLayer(feature_extractor_url,
                                         input_shape=(64,64,3))
feature_extractor_layer.trainable = False
model = tf.keras.Sequential([
  feature_extractor_layer,
  layers.Dense(3, activation='softmax')
])

model.compile(
  optimizer=tf.keras.optimizers.Adam(lr=0.01),
  loss='categorical_crossentropy',
  metrics=['acc'])

epochs = 50
train_steps_per_epoch = np.ceil(int(x_train.shape[0]/batch_size))
val_steps_per_epoch = np.ceil(int(x_test.shape[0]/batch_size))

history = model.fit_generator(generator=training_generator, 
                              epochs=epochs,
                              steps_per_epoch=train_steps_per_epoch,
                              validation_data = (x_test, y_test),
                              validation_steps=val_steps_per_epoch)

#学習曲線の可視化
sns.set()
plt.plot(history.history['acc'])
plt.plot(history.history['val_acc'])
plt.title('Model accuracy')
plt.ylabel('Accuracy')
plt.xlabel('Epoch')
plt.legend(['Train', 'Test'], loc='upper right')
plt.show()

plt.plot(history.history['loss'])
plt.plot(history.history['val_loss'])
plt.title('Model loss')
plt.ylabel('Loss')
plt.xlabel('Epoch')
plt.legend(['Train', 'Test'], loc='upper right')
plt.show()

#検証用データでの精度と誤差
test_loss, test_acc = model.evaluate(x_test,y_test)
print('test loss:', test_loss)
print('test acc:', test_acc)

class_names = np.array(['A','B','C'])
predicted_batch = model.predict(x_test)
predicted_id = np.argmax(predicted_batch, axis=-1)
predicted_label_batch = class_names[predicted_id]
label_id = np.argmax(y_test, axis=-1)
plt.figure(figsize=(10,9))
plt.subplots_adjust(hspace=0.5)
for n in range(30):
  plt.subplot(6,5,n+1)
  plt.imshow(x_test[n])
  color = "green" if predicted_id[n] == label_id[n] else "red"
  plt.title(predicted_label_batch[n].title(), color=color)
  plt.axis('off')
_ = plt.suptitle("Model predictions (green: correct, red: incorrect)")