Python Cifar100只有16个训练图像和16个训练标签

我将Tensorflow与Python3.7结合使用，并尝试使用CIFAR-100制作一个图像分类器。我希望尽可能远离KER，因为它只有有限的数据集可供我使用。这是我的代码：

import tensorflow as tf
import tensorflow_datasets as tfds
import numpy as np
import matplotlib.pyplot as plt
import PIL.Image as Image
from tensorflow import keras

tf.compat.v1.enable_eager_execution()

shape = (224, 224)

labels = '/home/pi/tf/cifar_labels.txt'
labels = np.array(open(labels).read().splitlines())

img = '/home/pi/tf/lobster.jpeg'
img = Image.open(img).resize(shape)
img = np.array(img)/255.0
img = np.reshape(img, (224, 224, 3))

train = tfds.load(name="cifar100", split="train")
test = tfds.load(name="cifar100", split="test")

train = train.shuffle(1024).batch(32).prefetch(tf.data.experimental.AUTOTUNE)
test = test.shuffle(1024).batch(32).prefetch(tf.data.experimental.AUTOTUNE)

for features in train:
    train_images, train_labels = features["image"], features["label"]

for features in test:
    test_images, test_labels = features["image"], features["label"]

model = keras.Sequential([
    keras.layers.Flatten(input_shape=(32, 32, 3)),
    keras.layers.Dense(128, activation='relu'),
    keras.layers.Dense(100, activation='softmax')
])

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

history = model.fit(train_images, train_labels, epochs=200, verbose=2)

test_loss, test_acc = model.evaluate(test_images,  test_labels, verbose=2)

print('\nTest accuracy:', test_acc)

---

我猜列车中的

for特性

for循环有问题。当我打印训练图像/标签的

len

时，我得到16。因此，我的模型的训练准确率为0%，损失率为16.1181%。有人能帮忙吗？

要在keras模型中直接使用CIFAR-100，您应该使用

as\u supervised=True

参数调用tfds.load函数。然后，它将仅使用“图像”和“标签”键加载数据集：

因此，它不能直接输入到

model.fit（）

中。将

设置为True时，返回的数据集将只包含
（u'image'，u'label'）
键

总之,

将tensorflow_数据集导入为TFD
从tensorflow进口keras
tf.compat.v1.enable_eager_execution（）
列车=tfds.load（name=“cifar100”，split=“列车”，as\u supervised=True）
test=tfds.load（name=“cifar100”，split=“test”，as\u supervised=True）
train=train.shuffle（1024）.批处理（32）.预取（tf.data.experimental.AUTOTUNE）
test=test.shuffle（1024）、批处理（32）、预取（tf.data.experimental.AUTOTUNE）
模型=keras.连续([
keras.layers.Flatten（输入_形状=（32,32,3）），
keras.layers.致密（128，活化='relu'），
keras.层.致密（100，活化='softmax'）
])
model.compile（优化器='adam'，
损失=“稀疏”\u分类”\u交叉熵'，
指标=[‘准确度’]）
历史=model.fit（训练，历次=200，详细=1）
测试损失，测试acc=模型评估（测试，详细=1）
打印（“\n测试精度：”，测试依据）

注:
要使用数据集而不将as_supervised设置为True，可以使用model.train_on_batch函数。e、 g

将tensorflow_数据集导入为TFD
从tensorflow进口keras
tf.compat.v1.enable_eager_execution（）
列车=tfds.load（name=“cifar100”，split=“列车”）
test=tfds.load（name=“cifar100”，split=“test”）
train=train.shuffle（1024）、repeat（200）、batch（32）、prefetch（tf.data.experimental.AUTOTUNE）
test=test.shuffle（1024）、批处理（32）、预取（tf.data.experimental.AUTOTUNE）
模型=keras.连续([
keras.layers.Flatten（输入_形状=（32,32,3）），
keras.layers.致密（128，活化='relu'），
keras.层.致密（100，活化='softmax'）
])
model.compile（优化器='adam'，
损失=“稀疏”\u分类”\u交叉熵'，
指标=[‘准确度’]）
对于范围内的历元（200）：
对于列车中的功能：
图像批次，标签批次=特征[“图像”]，特征[“标签”]
损失，acc=型号。批量培训（图像批、标签批）
对于测试中的功能：
图像批次，标签批次=特征[“图像”]，特征[“标签”]
损失，acc=模型。批量测试（图像批、标签批）

FeaturesDict({
    'coarse_label': ClassLabel(shape=(), dtype=tf.int64, num_classes=20),
    'image': Image(shape=(32, 32, 3), dtype=tf.uint8),
    'label': ClassLabel(shape=(), dtype=tf.int64, num_classes=100),
})