训练口罩识别深度学习模型时出现ValueError的原因咨询

Hey there, let's break down your issues and fix them step by step!

1. 先处理Model.fit_generator弃用警告 #

/usr/local/lib/python3.7/dist-packages/tensorflow/python/keras/engine/training.py:1940: UserWarning: Model.fit_generator已被弃用，将在未来版本中移除。请使用支持生成器的Model.fit。

这个问题很简单，TensorFlow在新版本里已经把生成器支持整合到Model.fit()里了，你只需要把代码里的model.fit_generator()直接改成model.fit()就行，参数完全不用调整，比如原来的：

model.fit_generator(training_set, validation_data=test_set, epochs=50)

改成：

model.fit(training_set, validation_data=test_set, epochs=50)

2. 核心错误：logits与labels形状不匹配 #

ValueError: logits和labels必须具有相同的形状 ((None, 2) vs (None, 1))

这个错误是因为你的模型输出（logits）和训练数据的标签形状不匹配，我们分两种常见场景来解决：

场景A：你的标签是单值二分类（0=不戴口罩，1=戴口罩） #

如果你的训练数据标签是单个数值（形状为(None,1)），问题出在模型最后一层的输出维度：

• 把模型最后一层的Dense(2)改成Dense(1, activation='sigmoid')
• 确保你的损失函数用的是binary_crossentropy（这是二分类单标签的标准损失函数）

场景B：你的标签是One-Hot编码形式（比如[1,0]代表不戴，[0,1]代表戴） #

如果你的标签应该是One-Hot编码（形状为(None,2)），问题可能出在数据生成器的配置：

• 如果你用的是ImageDataGenerator的flow_from_directory方法，检查class_mode参数：把class_mode='binary'改成class_mode='categorical'，这样生成器会输出One-Hot编码的标签
• 模型最后一层保持Dense(2, activation='softmax')，同时把损失函数改成categorical_crossentropy

快速验证方法 #

你可以先打印一个批次的训练集标签形状，确认自己属于哪种场景：

# 取一个批次的数据查看标签形状
x, y = next(training_set)
print(y.shape)

根据输出的形状对应上面的方案调整即可。

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