tensorflow.keras.model.fit无法读取数据集格式的验证数据

此处的tensorflow教程（参见“训练模型”一节）表明，可以向tf.keras.model.fit提供数据集（数据、标签）。但是，当我将数据集分配给val_数据时，如下图所示，验证数据的损失为0，与培训状态无关（参见下图）。（

这表明，当val_数据以数组[x_val，y_val]的形式而不是元组（x_val，y_val）的形式表示时，就会出现此问题。然而，在我的例子中，我提供了一个数据集，与上面的tensorflow教程完全一样

我使用的是tensorflow 2.1

我的数据集包含结构如下所述的元组：

(<tf.Tensor: shape=(batch_size, 128, 128, 3), dtype=uint8, numpy=
array>, <tf.Tensor: shape=(batch_size, 10), dtype=float32, numpy=
array>)

（，）

第一个是图像，第二个是标签（在本例中，每个图像有10个值作为标签）

有人知道我为什么会在历史记录中得到恒定的0验证损失吗？我怎样才能使它工作？-->请参阅下面的更新

更新：

---

似乎只有当验证批大小不同于培训批大小时，才会出现此问题。我还注意到，对于某些批量大小，验证损失并不完全为零，但仍然接近于零，并且远低于训练损失。如果验证数据集的批量大小设置为等于培训数据集的批量大小，则所有操作都正常工作。我现在想知道为什么会发生这种情况。

我发现了这个问题

我使用的是一个自定义损失函数，它返回对批处理的每个元素计算的损失之和。例如，批量大小为100时，损失函数将返回所有这100个损失的总和。由于我使用的验证数据集的批大小为1（比训练批大小小得多），因此验证的损失比训练数据集的损失小得多

---

原来如此! :)

尝试将训练数据作为验证数据，将val\u ds作为训练数据输入Hi@Andrey，谢谢你的聪明想法。不幸的是，同样的问题依然存在。训练损失（使用val_ds获得）按预期更改，但验证损失（使用train_ds获得）保持为0。因此，问题不在于数据，而在于tf.keras.model.fit（）读取val_数据输入的方式。

(<tf.Tensor: shape=(batch_size, 128, 128, 3), dtype=uint8, numpy=
array>, <tf.Tensor: shape=(batch_size, 10), dtype=float32, numpy=
array>)