Python 它在Keras、Classifier.Fit_生成器中显示错误

当我尝试运行此代码时，在classifier.fit_生成器行中出现错误 “零误差”。这有点像“整数除零或模零”

它只在第一个纪元中给出错误

找到0个属于0个类的图像。 纪元1/5

---

即使为图像提供了正确的路径

，以便使用

flow\u from\u目录

。您必须具有以下文件夹结构

# Convolutional Neural Network
# Installing Theano
# pip install --upgrade --no-deps git+git://github.com/Theano/Theano.git
# Installing Tensorflow
# pip install tensorflow
# Installing Keras
# pip install --upgrade keras
# Part 1 - Building the CNN
# Importing the Keras libraries and packages

    from keras.models import Sequential
    from keras.layers import Conv2D
    from keras.layers import MaxPooling2D
    from keras.layers import Flatten
    from keras.layers import Dense

# Initialising the CNN

    classifier = Sequential()

# Step 1 - Convolution

    classifier.add(Conv2D(32, (3, 3), input_shape = (64, 64, 3), activation = 'relu'))

# Step 2 - Pooling

    classifier.add(MaxPooling2D(pool_size = (2, 2)))

# Adding a second convolutional layer

    classifier.add(Conv2D(32, (3, 3), activation = 'relu'))
    classifier.add(MaxPooling2D(pool_size = (2, 2)))

# Step 3 - Flattening

    classifier.add(Flatten())

# Step 4 - Full connection

    classifier.add(Dense(units = 128, activation = 'relu'))
    classifier.add(Dense(units = 3, activation = 'softmax'))

# Compiling the CNN

    classifier.compile(optimizer = 'adam', loss = 'binary_crossentropy', metrics = ['accuracy'])

# Part 2 - Fitting the CNN to the images

    from keras.preprocessing.image import ImageDataGenerator
    train_datagen = ImageDataGenerator(rescale = 1./255,shear_range = 0.2,zoom_range = 0.2,horizontal_flip = True)
    test_datagen = ImageDataGenerator(rescale = 1./255)
    training_set = train_datagen.flow_from_directory('E:\Major Project\Data\Wheat',target_size = (64, 64),batch_size = 32,class_mode = 'categorical')
    test_set = test_datagen.flow_from_directory('E:\Major Project\Data\Wheat1',target_size = (64, 64),batch_size = 32,class_mode = 'categorical')
    classifier.fit_generator(training_set,steps_per_epoch = 100,epochs = 5,validation_data = test_set,validation_steps = 200)

其中文件夹_i包含类i的图像

在路径

E:\Major Project\Data

中，必须有

n

文件夹，每个文件夹对应于每个类

然后您可以从_目录调用flow _，如下所示

train\u datagen.flow\u from\u目录（'E:\Major Project\Data\'，target\u size=（64,64），batch\u size=32，class\u mode='categorical'）

您将得到如下输出

./Dataset/
    ./Train/
        ../Folder_1/
            ../img_1.jpg
            ../img_2.jpg
            ............
        ../Folder_2/
            ../img_1.jpg
            ../img_2.jpg

如果其他一切都正确，模型将开始训练

培训后，如果您想使用

flow\u from\u directory

在

predict\u generator

的帮助下进行预测，您可以这样做

您可以将flow_中batch_size的值从_目录从默认值（即batch_size=32）更改为batch_size=1。然后将predict_generator的步骤设置为测试图像的总数

Found xxxx images belonging to yyyy classes

如果您想在单个图像上进行预测

test_datagen = ImageDataGenerator(rescale=1./255)

test_generator = test_datagen.flow_from_directory(
        test_dir,
        target_size=(200, 200),
        color_mode="rgb",
        shuffle = False,
        class_mode='categorical',
        batch_size=1)

filenames = test_generator.filenames
nb_samples = len(filenames)

predict = model.predict_generator(test_generator,steps = nb_samples)

---

你能显示文件夹结构吗？请包括完整的错误回溯。你能解释一下预测部分是如何工作的吗？至于预测，我使用了从keras导入的np作为np。预处理导入图像test\u image=image.load\u img（'E:/Major Project/Data/Wheaty.jpg'，target\u size=（64，64））test\u image=image.img\u to_数组（test\u image）test_image=np.expand_dims（test_image，axis=0）result=classifier.predict（test_image）training_set.class_index#{‘番茄’：0，‘大米’：1，‘小麦’：2}if int（result[0][0]）==1:prediction=‘番茄’elif int（result[0][1]）==1:prediction=‘大米’否则：prediction=‘小麦’print（prediction）@HimanshuBaghmar您想使用来自目录的流量进行预测。？不，对于预测，我不想使用来自目录的流量，我想测试单个图像如果解决了问题，考虑接受答案

import cv2
import numpy as np

img = cv2.imread('path_to_file')
img = cv2.resize(img, (64, 64))

img = img.reshape(1, 64, 64, 3)

model.predict(img)