Python 3.x 基于神经结构学习的fit_发生器问题

我花了两天时间尝试使用神经结构语言来适应我的CNN模型我使用ImageDataGenerator和flow_从_目录使用Model.fit_generator时收到一条错误消息： 值错误：

当以数组形式传递输入数据时，不要指定

steps\u per\u epoch

/

steps

参数。请改用

batch\u size

我使用Keras2.3.1和TensorFlow 2.0作为后端

这是我的代码片段：

num_classes = 4
img_rows, img_cols = 224, 224
batch_size = 16

train_datagen = ImageDataGenerator(
  rescale=1./255,
  rotation_range=30,
  width_shift_range=0.3,
  height_shift_range=0.3,
  horizontal_flip=True,
  fill_mode='nearest')

  validation_datagen = ImageDataGenerator(rescale=1./255)
  train_generator = train_datagen.flow_from_directory(
    train_data_dir,
    target_size=(img_rows, img_cols),
    batch_size=batch_size, shuffle=True,
    class_mode='categorical')

    validation_generator = validation_datagen.flow_from_directory(
    validation_data_dir,
    target_size=(img_rows, img_cols),
    batch_size=batch_size, shuffle=True,
    class_mode='categorical')

    def vgg():
      model1 = Sequential([ ])
      return model1

base_model = vgg()

我将从（x，y）格式生成的数据改编成字典格式

---

我认为也有同样的错误。也许你应该考虑使用<代码>模型.FIT（）/<代码>函数。在这种情况下，您应该定义

列车输入

列车标签和

批量大小

。为了找出

fit

和

fit\u generator

之间的区别，您可以这样做。

您是否尝试将您作为参数BATCH\u SIZE来替代？不幸的是，我不能使用model.fit，因为我有一个大数据集。您确定fit\u generator也需要这种类型的输入吗？你试过输入两个数组的列表吗？想一想你的回答神经结构学习假设它的输入批次是一个包含x和y的字典，而ImageDataGenerator生成（x，y）元组的输入，这就是为什么我使用convert_training_data_generator来解决这个问题，现在我得到了这个错误值error:Layer model_1是用一个不是符号张量的输入调用的。收到的类型：。完整输入：[{'feature'：}]。层的所有输入都应该是张量。

def convert_training_data_generator():
   for x ,y in train_generator:
    return {'feature': x, 'label':y}

def convert_testing_data_generator():
   for x ,y in validation_generator:
    return {'feature': x, 'label': y}

adv_config = nsl.configs.make_adv_reg_config(multiplier=0.2, adv_step_size=0.05)
model = nsl.keras.AdversarialRegularization(base_model, adv_config=adv_config)
train= convert_training_data_generator()
test= convert_testing_data_generator()

history = model.fit_generator(train,
   steps_per_epoch= nb_train_samples // batch_size,
    epochs = epochs,
    callbacks = callbacks,
    validation_data = test,
    validation_steps = nb_validation_samples // batch_size)