Deep learning Keras ImageDataGenerator未按预期工作

我正试图基于文档中的

[本例][1]

使用Keras构建一个自动编码器。因为我的数据很大，所以我希望使用生成器来避免将其加载到内存中

我的模型看起来像：

model = Sequential()
model.add(Convolution2D(16, 3, 3, activation='relu', border_mode='same', input_shape=(3, 256, 256)))
model.add(MaxPooling2D((2, 2), border_mode='same'))
model.add(Convolution2D(8, 3, 3, activation='relu', border_mode='same'))
model.add(MaxPooling2D((2, 2), border_mode='same'))
model.add(Convolution2D(8, 3, 3, activation='relu', border_mode='same'))
model.add(MaxPooling2D((2, 2), border_mode='same'))
model.add(Convolution2D(8, 3, 3, activation='relu', border_mode='same'))
model.add(UpSampling2D((2, 2)))
model.add(Convolution2D(8, 3, 3, activation='relu', border_mode='same'))
model.add(UpSampling2D((2, 2)))
model.add(Convolution2D(16, 3, 3, activation='relu'))
model.add(UpSampling2D((2, 2)))
model.add(Convolution2D(1, 3, 3, activation='sigmoid', border_mode='same'))

model.compile(optimizer='adadelta', loss='binary_crossentropy')

我的发电机：

from keras.preprocessing.image import ImageDataGenerator
train_datagen = ImageDataGenerator(rescale=1./255)
train_generator = train_datagen.flow_from_directory('IMAGE DIRECTORY', color_mode='rgb', class_mode='binary', batch_size=32, target_size=(256, 256))

然后拟合模型：

model.fit_generator(
        train_generator,
        samples_per_epoch=1,
        nb_epoch=1,
        verbose=1,
        )

我得到了这个错误：

异常：检查模型目标时出错：预期卷积2D_76有4个维度，但得到了形状为（32，1）的数组

---

这看起来像是我的批量大小，而不是样本大小。我做错了什么？

错误很可能是由于

类\u mode='binary'

造成的。它使生成器生成二进制类，因此输出具有shape

（batch\u size，1）

，而模型生成四维输出（因为最后一层是卷积）

我猜你希望你的标签是图像本身。基于来自_目录的

流_的源以及它使用的
目录迭代器
，仅仅更改
类模式
是不可能的。一个可能的解决办法是：

train\u generator\uu=train\u datagen.flow\u from\u目录（'IMAGE directory'，color\u mode='rgb'，class\u mode=None，batch\u size=32，target\u size=（256，256））
def列_发生器（）：
对于列迭代器中的x：
收益率x，x

请注意，我将
class\u模式设置为
None
。它使生成器只返回
图像
，而不是
元组（图像、标签）
。然后我定义了一个新的生成器，它返回图像作为输入和标签。
太棒了，非常感谢！现在一切正常。我很困惑，因为我认为它是在谈论输入形状，但在实现了您的解决方案后，我发现问题出在输出形状上。