Python 根据Keras中的图像和子文件夹名称设置训练CNN的X和y

下面的代码片段为我提供了150个图像，它们属于三个类（有三个子文件夹，每个文件夹中有50个图像-这些文件夹是以我试图编写一个CNN来分类的Iris类命名的）

我的问题是如何将图像的np数组设置为我的X，将子文件夹名称设置为我的y，以便训练我的CNN

import keras
from keras.preprocessing.image import ImageDataGenerator

train_gen = ImageDataGenerator(rescale = 1./255,
shear_range = 0.2, zoom_range = 0.2, horizontal_flip = True)
test_gen = ImageDataGenerator(rescale = 1./255)
training_set = train_gen.flow_from_directory(r"Iris_Imgs",
target_size = (5, 5), shuffle=True, batch_size = 15, class_mode = 'binary')
train_imgs, train_labels = next(training_set)
test_set = test_gen.flow_from_directory(r"Iris_Imgs",
target_size = (5, 5), shuffle=True, class_mode = 'binary')
test_imgs, test_labels = next(test_set)

---

您正在错误地使用来自目录的流。除非您的数据已经分组到子文件夹中，否则来自目录的流将无法正常工作

---

使用来自数据帧的流。在一列中存储图像路径，在另一列中存储class_标签。然后使用来自数据帧的流。这是您应该使用的，因为您的数据未在子文件夹中分类。

您错误地使用了flow\u from\u目录。除非您的数据已经分组到子文件夹中，否则来自目录的流将无法正常工作

---

使用来自数据帧的流。在一列中存储图像路径，在另一列中存储class_标签。然后使用来自数据帧的流。这是您应该使用的，因为您的数据未分类在子文件夹中。

谢谢您的回答-但是我的图像被分组在子文件夹中（3个子文件夹名为Setosa、Versicolor和Virginica）。子文件夹名称是我试图训练CNN对其执行分类的类。在这种情况下，不要使用class_mode='binary'。你有三节课。试着使用class_mode='categorical'，同样，您的测试数据似乎来自列车数据。如果是这样的话，你的型号会太合适的。谢谢你的建议。是的，我实现了测试数据部分-这是一个任务，所以数据非常简单。我们现在正在努力实现一个CNN。使用class_mode='categorical'后，您知道我如何将这些数据与CNN相匹配吗？是否有一个X.y放置在以下行中？：model.fit（X，y，epochs=150，batch_size=15）还是我认为它错了？因为您使用的是生成器，所以不需要X，y。它们都存储在列车生成中，模型将自动获得X和y值。您必须使用steps\u per\u epochs=len（train\u gen）和validation\u steps=len（val\u gen）。两者都必须计算。查看ImageDataGenerator的文档，了解fit_生成器。fit_生成器将很快被弃用。您可以使用fit而不是fit_generator，它将为您的答案使用sameThanks-但是我的图像分组在子文件夹中（3个子文件夹名为Setosa、VersionColor和Virginica）。子文件夹名称是我试图训练CNN对其执行分类的类。在这种情况下，不要使用class_mode='binary'。你有三节课。试着使用class_mode='categorical'，同样，您的测试数据似乎来自列车数据。如果是这样的话，你的型号会太合适的。谢谢你的建议。是的，我实现了测试数据部分-这是一个任务，所以数据非常简单。我们现在正在努力实现一个CNN。使用class_mode='categorical'后，您知道我如何将这些数据与CNN相匹配吗？是否有一个X.y放置在以下行中？：model.fit（X，y，epochs=150，batch_size=15）还是我认为它错了？因为您使用的是生成器，所以不需要X，y。它们都存储在列车生成中，模型将自动获得X和y值。您必须使用steps\u per\u epochs=len（train\u gen）和validation\u steps=len（val\u gen）。两者都必须计算。查看ImageDataGenerator的文档，了解fit_生成器。fit_生成器将很快被弃用。您可以使用fit而不是fit_生成器，它的工作原理相同