Python 如何使用自定义数据集训练Keras自动编码器？

我阅读是为了基于Keras创建我自己的自动编码器。我一步一步地遵循教程，唯一的区别是我想使用自己的图像数据集来训练模型。因此，我更改/添加了以下代码：

IMAGES=“/path/to/my/IMAGES”
形状=（200200）
初始值=1e-3
纪元=20
BS=32
（编码器、解码器、自动编码器）=ConvAutoencoder.build（形状[0]，形状[1]，3）
opt=Adam（lr=INIT_lr，decay=INIT_lr/EPOCHS）
编译（loss=“mse”，optimizer=opt）
图像生成器=图像数据生成器（重缩放=1.0/255）
train\u gen=image\u generator.flow\u from\u目录(
加入（图像，“培训”），
类别模式=无，目标尺寸=形状，批次尺寸=BS，
)
val\u gen=image\u generator.flow\u from\u目录(
join（图像，“验证”），
类别模式=无，目标尺寸=形状，批次尺寸=BS，
)
hist=自动编码器.fit（序列生成，验证数据=val生成，年代=年代，批次大小=BS）

我的图像是RGB格式的普通

.jpg

文件。但是，一旦培训开始，

fit（）

方法就会抛出以下异常：

ValueError: No gradients provided for any variable: ['conv2d/kernel:0', 'conv2d/bias:0', 'batch_normalization/gamma:0', 'batch_normalization/beta:0', 'conv2d_1/kernel:0', 'conv2d_1/bias:0', 'batch_normalization_1/gamma:0', 'batch_normalization_1/beta:0', 'dense/kernel:0', 'dense/bias:0', 'dense_1/kernel:0', 'dense_1/bias:0', 'conv2d_transpose/kernel:0', 'conv2d_transpose/bias:0', 'batch_normalization_2/gamma:0', 'batch_normalization_2/beta:0', 'conv2d_transpose_1/kernel:0', 'conv2d_transpose_1/bias:0', 'batch_normalization_3/gamma:0', 'batch_normalization_3/beta:0', 'conv2d_transpose_2/kernel:0', 'conv2d_transpose_2/bias:0'].

你知道我这里缺少什么吗？

在flow\u from\u目录中使用class\u mode=“input”，这样返回的Y将与X相同

类别模式：属于“分类”、“二进制”、“稀疏”模式之一， “输入”，或无。默认值：“分类”。 确定返回的标签数组的类型：- “分类”将是2D-one热编码标签，“二进制”将 是1D二进制标签，“稀疏”将是1D整数标签，-“输入” 图像将与输入图像相同（主要用于 自动编码器）。-如果没有，则不返回标签（生成器） 将只生成成批的图像数据，这对与一起使用很有用

model.predict（）

）。请注意，如果 class_mode None，数据仍然需要驻留在子目录中 目录，以使其正常工作

代码应该以如下方式结束：

image_generator = ImageDataGenerator(rescale=1.0 / 255)
train_gen = image_generator.flow_from_directory(
    os.path.join(IMAGES, "training"), 
    class_mode="input", target_size=SHAPE, batch_size=BS,
)
val_gen = image_generator.flow_from_directory(
    os.path.join(IMAGES, "validation"), 
    class_mode="input", target_size=SHAPE, batch_size=BS,
)
hist = autoencoder.fit(train_gen, validation_data=val_gen, epochs=EPOCHS, batch_size=BS)

---

自动编码器

是否正常工作，没有自定义数据集？（在遵循tuts时）？在教程中，它说您应该安装#训练卷积自动编码器H=autoencoder.fit（trainX，trainX，validation_data=（testX，testX），epochs=epochs，batch_size=BS），但您可以安装在生成器上。换句话说，我不认为您提供了Y/目标，对于autoencoder，它与输入相同。因此，您应该有fit（train_gen、train_gen、val_gen、val_gen、EPOCHS=[…]），但确保生成器在运行时以相同的顺序提供图像twice@Octav当我使用像

fit（train\u gen，train\u gen，val\u gen，val\u gen，epochs=epochs，batch\u size=BS）这样的代码时，

我得到以下错误：“fit（）为参数'epochs'获取了多个值”.autoencoder.fit（train_gen，train_gen，validation_data=（val_gen，val_gen），epochs=epochs，batch_size=BS）@Octav导致以下错误：“

y

参数在使用

keras.utils.Sequence

作为输入时不受支持。”谢谢，这样解决了我的问题。但是现在我从

fit（）

中得到了以下例外：“Fused conv实现目前不支持分组卷积。”有什么想法吗？根据一些评论，也许您应该检查图像的通道3（如模型ConvAutoencoder.build（形状[0]，形状[1]，3]），而不是灰度（1通道）。从flow_From_目录中，我看到默认值是rgb，因此它符合您模型的期望。。。也许可以强制它为rgb，然后检查您的原始图像是否为灰度级，并且不知何故，来自目录的流并没有达到我们期望的效果。太好了，非常感谢！