使用自定义图像数据集训练Keras卷积自编码器时出现无梯度提供异常的问题咨询

这个问题的核心原因非常直接——自编码器的训练逻辑要求输入数据同时作为模型的输入和目标输出，但你当前用flow_from_directory生成的数据集只提供了输入（x），没有对应的目标值（y）。Keras找不到计算损失的参照目标，自然无法反向传播计算梯度，就抛出了这个错误。

快速修复方案 #

你只需要修改生成器，让它每次返回(x, x)（即输入数据同时作为输入和待重构的目标），有两种简单的实现方式：

方式1：使用map转换生成器（TensorFlow 2.x+推荐）

直接在flow_from_directory的结果上添加map操作，把单输入转换成输入-目标对：

image_generator = ImageDataGenerator(rescale=1.0 / 255)
train_gen = image_generator.flow_from_directory(
    os.path.join(IMAGES, "training"),
    class_mode=None,
    target_size=SHAPE,
    batch_size=BS,
).map(lambda x: (x, x))  # 关键修改：将输入映射为(input, target)对

val_gen = image_generator.flow_from_directory(
    os.path.join(IMAGES, "validation"),
    class_mode=None,
    target_size=SHAPE,
    batch_size=BS,
).map(lambda x: (x, x))  # 同样处理验证集生成器

方式2：自定义生成器函数（兼容旧版本Keras/TensorFlow）

如果你的环境不支持生成器的map方法，可以写一个简单的包装生成器：

def autoencoder_generator(base_generator):
    # 遍历基础生成器的输入，每次返回(input, input)
    for batch in base_generator:
        yield (batch, batch)

image_generator = ImageDataGenerator(rescale=1.0 / 255)
# 先创建基础生成器
base_train_gen = image_generator.flow_from_directory(
    os.path.join(IMAGES, "training"),
    class_mode=None,
    target_size=SHAPE,
    batch_size=BS,
)
base_val_gen = image_generator.flow_from_directory(
    os.path.join(IMAGES, "validation"),
    class_mode=None,
    target_size=SHAPE,
    batch_size=BS,
)
# 用自定义生成器包装
train_gen = autoencoder_generator(base_train_gen)
val_gen = autoencoder_generator(base_val_gen)

额外检查点 #

修复生成器后，建议再确认两个细节：

• 确保你的ConvAutoencoder.build方法返回的autoencoder模型，输入形状和输出形状完全匹配（都是(200, 200, 3)），形状不匹配也会导致损失计算失败。
• 确认你使用的损失函数（mse）适合自编码器的重构任务，这个选择是没问题的，但如果后续还有问题，可以检查损失计算的维度是否正确。

内容的提问来源于stack exchange，提问作者Matthias