Python 数据集的结构：包含目标和不包含目标的差异

我正在尝试使用

tensorflow.keras

来拟合模型。我是keras的新手，我的问题指向

Model（）

的

.fit（）

方法（请参阅）

一般任务：

• 我想使用相关的CNN（固定参数）
• 添加更多层
• 使用进一步图层的输出作为特征，以获得进一步的分类方法

---

我想做一个迁移学习模型，并遵循：。但是，在本教程中，它们有一个特定的目标（请参阅下面提供的代码的输出）。在我的情况下，我没有任何目标，因此不能在

model.fit（x=data）

中包含带有目标的附加维度。使用没有目标的数据会导致以下错误：

ValueError:没有为任何变量提供渐变：['densite/kernel:0'，'densite/bias:0'.

如果我使用没有目标的标准数据，但为y=1添加了

（model.fit（x=data，y=1）

，我会得到以下错误：

ValueError：“在使用数据集作为输入时不支持y”参数。

但是，如果我只是扩展数据的维度，通过向其中添加任意数字，它运行得非常好。因此，我的问题是：在我只对嵌入感兴趣的情况下，扩展dim和添加目标是否会改变什么

我的初始数据集看起来像

（3因为每次观察有3张照片） 因此，数据不包括目标，因为没有具体的目标。训练是通过3张图片的相似性来完成的

本教程的数据集如下所示：

<BatchDataset shapes: ((None, 160, 160, 3), (None,)), types: (tf.float32, tf.int32)>

---

fit

方法背后的主要思想是进行监督学习。如果你想执行无监督学习，你可以，或者。

如果我只是扩展数据的维度，通过向其中添加任意数字，它运行得非常好。

你能添加关于该部分的详细信息（比如代码示例）吗？

import os
import tensorflow as tf
from tensorflow.keras.preprocessing import image_dataset_from_directory


# Data loading - preprocessing
# ------------------------------------------------------------------------------------------
_URL = 'https://storage.googleapis.com/mledu-datasets/cats_and_dogs_filtered.zip'
path_to_zip = tf.keras.utils.get_file('cats_and_dogs.zip', origin=_URL, extract=True)
PATH = os.path.join(os.path.dirname(path_to_zip), 'cats_and_dogs_filtered')

train_dir = os.path.join(PATH, 'train')
validation_dir = os.path.join(PATH, 'validation')

BATCH_SIZE = 32
IMG_SIZE = (160, 160)

train_dataset = image_dataset_from_directory(train_dir,
                                             shuffle=True,
                                             batch_size=BATCH_SIZE,
                                             image_size=IMG_SIZE)

validation_dataset = image_dataset_from_directory(validation_dir,
                                                  shuffle=True,
                                                  batch_size=BATCH_SIZE,
                                                  image_size=IMG_SIZE)

# Printing one Batch. the data includes the labels. 
# ------------------------------------------------------------------------------------------
print(train_dataset)
# Uncomment to see in
# print(next(iter(train_dataset)))