Keras中model.fit()报错：steps_per_epoch值为0的ValueError问题

核心原因1：验证步数VALIDATION_STEPS为0 #

你的TEST_LENTH=50，BATCH_SIZE=64，计算VALIDATION_STEPS时：

VALIDATION_STEPS = TEST_LENTH // BATCH_SIZE // VAL_SUBSPLITS
# 50//64=0，0//5=0

虽然错误提示指向steps_per_epoch，但Keras在验证阶段检测到validation_steps=0时，可能会抛出混淆的错误信息。验证步数不能为0，这意味着没有可用的验证数据供模型评估。

核心原因2：训练数据集迭代器未重复（可选） #

如果你的train_batches是tf.data.Dataset且未调用repeat()方法，第一轮训练消耗完所有数据后，第二轮迭代时数据集为空，Keras会因无法满足设定的steps_per_epoch而报错。

解决方案 #

1. 修复验证步数计算 #

调整VALIDATION_STEPS的逻辑，确保其值至少为1：

# 方案1：强制保证验证步数不小于1
VALIDATION_STEPS = max(1, TEST_LENTH // BATCH_SIZE // VAL_SUBSPLITS)

# 方案2：用向上取整确保覆盖所有验证样本
import math
VALIDATION_STEPS = math.ceil(TEST_LENTH / (BATCH_SIZE * VAL_SUBSPLITS))

同时建议检查测试集规模是否合理，若样本数过少，可考虑增加测试样本或减小BATCH_SIZE。

2. 确保训练数据集可重复迭代 #

如果使用tf.data.Dataset构建train_batches，添加repeat()方法让数据集在每个epoch自动重置：

# 示例：构建训练批次时添加repeat()
train_batches = train_dataset.batch(BATCH_SIZE).repeat()

这样每个epoch都会重新遍历训练数据，避免后续epoch因数据耗尽触发错误。

3. 可选：移除手动设定的步数参数 #

如果train_batches和test_batches已经是带有batch()和repeat()的tf.data.Dataset，可以直接省略steps_per_epoch和validation_steps，Keras会自动根据数据集长度计算合理的步数：

model_history = unet_model.fit(train_batches,
                              epochs=NUM_EPOCHS,
                              validation_data=test_batches)

内容的提问来源于stack exchange，提问作者tclemment