使用Keras 3 API运行CNN的fit方法时遇未识别数据类型错误如何解决

我正在跟随在线课程，使用Python 3.11、Keras 3.6和TensorFlow 2.18构建图像分类CNN，代码如下：

# Convolutional Nueral Network

import tensorflow as tf
import keras as kr

from tf_keras.preprocessing.image import ImageDataGenerator

import numpy as np
from tf_keras.preprocessing import image

print(tf.__version__)
print(kr.__version__)

# Part 1 - Data Preprocessing

#   Preprocessing the Training Set

#       Below, an instance of the class of ImageDataGenerator that causes transformations 
train_datagen = ImageDataGenerator(    
    rescale=1./255,
    shear_range=0.2,
    zoom_range=0.2,
    horizontal_flip=True)

training_set = train_datagen.flow_from_directory(
    "dataset/training_set",
    target_size=(64,64),
    batch_size=32,
    class_mode='binary')

#   Preprocessing the Test Set

test_datagen = ImageDataGenerator(rescale=1./255)

test_set = test_datagen.flow_from_directory(
    "dataset/test_set",
    target_size=(64,64),
    batch_size=32,
    class_mode='binary')

# Part 2 - Building the CNN 

#   Initializing the CNN

cnn = kr.Sequential()

#   Step 1 - Convolution

cnn.add(kr.layers.Conv2D(filters=32, 
                         kernel_size=3,
                         activation='relu', 
                         input_shape=[64,64,3]))

#   Step 2 - Pooling

cnn.add(kr.layers.MaxPool2D(pool_size=2,
                            strides=2,
                            padding='valid'))

#   Step 3 - Adding a second convolutional layer

cnn.add(kr.layers.Conv2D(filters=32, 
                         kernel_size=3,
                         activation='relu'))


#   Step 4 - Adding a second pooling layer

cnn.add(kr.layers.MaxPool2D(pool_size=2,
                            strides=2,
                            padding='valid'))

#   Step 5 Flattening

cnn.add(kr.layers.Flatten())

#   Step 6 Full Connection

cnn.add(kr.layers.Dense(units=128, 
                        activation='relu'))

#   Step 7 Output Layer

cnn.add(kr.layers.Dense(units=1, 
                        activation='sigmoid')) #Sigmoid b/c classification is binary

# Part 3 - Training the CNN

#   Step 1 Compiling the CNN

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

#   Step 2 Training the CNN on the Training Set and Evaluating it on the Test Set

cnn.fit(x = training_set,
        validation_data = test_set,
        epochs=25)

运行至Part 3的cnn.fit步骤时，出现如下错误：

raise ValueError(f"Unrecognized data type: x={x} (of type {type(x)})")

ValueError: Unrecognized data type: x=<tf_keras.src.preprocessing.image.DirectoryIterator object at 0x141d69210> (of type <class 'tf_keras.src.preprocessing.image.DirectoryIterator'>)

查阅Keras 3文档得知fit方法仅支持特定数据类型，尝试将数据集转为numpy数组传入fit方法，却耗时极久且占用大量内存，以下是解决方案：

核心原因 #

Keras 3不再兼容旧的tf_keras.preprocessing.image.DirectoryIterator类型，需要改用TensorFlow原生的数据集加载方式或者适配Keras 3的数据格式。

解决方案1：改用TensorFlow的tf.keras.utils.image_dataset_from_directory（推荐） #

这是Keras 3官方推荐的数据集加载方式，直接返回兼容fit方法的tf.data.Dataset对象，内存效率更高，且支持将数据增强整合到模型中。替换原数据预处理部分的代码：

# 替换原Data Preprocessing部分
import tensorflow as tf
import keras as kr

# 训练集加载（自动处理目录结构）
training_set = tf.keras.utils.image_dataset_from_directory(
    "dataset/training_set",
    image_size=(64, 64),  # 统一图像尺寸
    batch_size=32,
    label_mode='binary',  # 二分类任务
    shuffle=True  # 训练时打乱数据
)

# 定义数据增强层（Keras 3推荐方式）
data_augmentation = kr.Sequential([
    kr.layers.RandomFlip("horizontal"),  # 随机水平翻转
    kr.layers.RandomZoom(0.2),  # 随机缩放
    kr.layers.RandomShear(0.2)  # 随机剪切
])

# 将数据增强与归一化整合到训练集
def preprocess_train(x, y):
    x = data_augmentation(x, training=True)  # 训练模式下应用增强
    x = kr.layers.Rescaling(1./255)(x)  # 归一化到0-1
    return x, y

training_set = training_set.map(preprocess_train, num_parallel_calls=tf.data.AUTOTUNE)

# 测试集加载（无需打乱）
test_set = tf.keras.utils.image_dataset_from_directory(
    "dataset/test_set",
    image_size=(64, 64),
    batch_size=32,
    label_mode='binary',
    shuffle=False
)

# 测试集仅做归一化
def preprocess_test(x, y):
    x = kr.layers.Rescaling(1./255)(x)
    return x, y

test_set = test_set.map(preprocess_test, num_parallel_calls=tf.data.AUTOTUNE)

# 优化数据集性能（预取数据，提升训练速度）
training_set = training_set.prefetch(tf.data.AUTOTUNE)
test_set = test_set.prefetch(tf.data.AUTOTUNE)

修改后，原CNN模型代码无需变动，直接调用cnn.fit(training_set, validation_data=test_set, epochs=25)即可正常训练。

解决方案2：将DirectoryIterator转换为tf.data.Dataset（兼容旧代码） #

如果需要保留原ImageDataGenerator的配置，可以将迭代器转换为tf.data.Dataset：

# 定义转换函数
def iterator_to_dataset(iterator):
    def gen():
        for x, y in iterator:
            yield x, y
    # 指定输出张量的形状和类型
    return tf.data.Dataset.from_generator(
        gen,
        output_signature=(
            tf.TensorSpec(shape=(None, 64, 64, 3), dtype=tf.float32),
            tf.TensorSpec(shape=(None,), dtype=tf.float32)
        )
    )

# 转换训练集和测试集
training_set = iterator_to_dataset(training_set)
test_set = iterator_to_dataset(test_set)

# 优化性能
training_set = training_set.prefetch(tf.data.AUTOTUNE)
test_set = test_set.prefetch(tf.data.AUTOTUNE)

转换完成后即可正常调用cnn.fit，但这种方式不如方案1简洁高效，仅作为临时兼容方案使用。

内容的提问来源于stack exchange，提问作者katmatzidis