1. 影像預處理：統一影像尺寸 (Image Resizing)
   在訓練神經網路時，輸入影像的大小通常需要固定，然而自行收集的資料集中的影像尺寸往往不一。因此，在預處理階段需要將圖片統一尺寸。

• 目的： 將大小不一的輸入影像統一為神經網路所需的固定尺寸。
• 示例程式 (基於 TensorFlow/NumPy/Matplotlib)：
  • 使用 tf.io.read_file(x) 讀取影像檔案。
  • 使用 tf.image.decode_jpeg(image, channels=3) 將 JPEG 格式解碼成三維張量。
  • 使用 tf.image.resize(image, [128, 128]) 將影像縮小或放大到指定尺寸（例如 128x128）。
  • 最後，將張量轉換為 NumPy 陣列 (np.asarray(image.numpy(), dtype='uint8')) 並使用 plt.imshow(image) 顯示。
  • 結果範例： 原始影像大小可能是 (620,620,3)，經過處理後變成 (128,128,3)。

2. 資料增強 (Data Augmentation)
   資料增強是一種為了提高深度學習模型性能的技術，它在現有的訓練資料基礎上人工創建新的、合理的訓練樣本。這能有效擴展訓練資料集的範圍，讓模型學習到更多影像特徵，並減少過度擬合。

• 目的： 擴展訓練資料集，提高模型的泛化能力。
• 常用增強操作： 旋轉、翻轉、調整大小、比例尺、改變亮度、改變色溫、裁剪等。
• 注意事項： 資料增強主要用於訓練資料集，不應應用於驗證或測試資料集。同時，某些操作（如垂直翻轉）可能不適用於特定的任務。

3. 使用 tf.keras.preprocessing.image.ImageDataGenerator 進行批次資料增強與讀取
   TensorFlow 提供了 ImageDataGenerator 類別，它能從資料夾中快速產生增強後的資料。
   主要步驟：
4. 在工作目錄下建立資料夾，並將不同類別的圖片分門別類放置於各自的子資料夾中（例如：根目錄 flower 下有子資料夾 rose，其中包含玫瑰圖片）。
5. 建立 ImageDataGenerator 物件，並設定增強參數（如 rescale=1/255）。
6. 使用 flow_from_directory() 方法從指定資料夾生成一個資料批次產生器 (Generator)。

生成器使用方式：
產生的生成器可以搭配 for...in 迴圈一起使用進行迭代，生成資料批次。需要注意的是，生成器會不斷地生成資料，因此需要手動設定結束條件（例如使用 break）。