面部表情识别（FER）系统训练报错修复求助

核心问题诊断 #

从输出和报错信息来看，三个关键问题导致训练失败：

• 训练集与测试集类别数量不匹配：训练集仅包含5类，但模型最后一层输出维度设为7类，测试集同样是7类，这会让交叉熵损失计算时出现维度不匹配，直接触发InvalidArgumentError。
• Adam优化器参数过时：lr和decay参数在新版Keras/TensorFlow中已被弃用，会抛出警告。
• steps_per_epoch和validation_steps设置错误：硬编码了视频中的28709，但实际训练集只有15991张图片，该数值会导致训练时尝试读取不存在的数据。

具体修复步骤 #

1. 统一数据集类别数量

检查data/train文件夹，确保其中包含7个类别文件夹（对应7种表情，如愤怒、厌恶、恐惧、快乐、悲伤、惊讶、中性），与测试集类别完全一致。若训练集缺少类别，要么补充对应类别的数据，要么将模型最后一层输出数量调整为5（需同步修改测试集类别数量，不推荐此方案）。

2. 修正Adam优化器参数

将过时的参数替换为新版支持的写法：

emotion_model.compile(loss='categorical_crossentropy', optimizer=Adam(learning_rate=0.0001, weight_decay=1e-6), metrics=['accuracy'])

3. 动态计算训练步数

用数据集实际样本数自动计算步数，避免硬编码：

# Train the neural network/model
emotion_model_info = emotion_model.fit(
        train_generator,
        steps_per_epoch=train_generator.samples // train_generator.batch_size,
        epochs=10,
        validation_data=validation_generator,
        validation_steps=validation_generator.samples // validation_generator.batch_size)

额外建议 #

• 训练前可打印train_generator.class_indices和validation_generator.class_indices，确认两个数据集的类别顺序与数量完全一致，避免类别映射不匹配问题。
• 若数据集确实只有5类，需将模型最后一层的Dense(7, activation='softmax')修改为Dense(5, activation='softmax')，同时确保测试集同步调整为5类。

内容的提问来源于stack exchange，提问作者Lanza