TensorFlow用生成器喂神经网络报错AttributeError的解决咨询

你遇到这个错误主要是几个关键环节没处理到位，我一步步给你拆解问题并给出修复方案：

核心问题梳理 #

• 维度不匹配：你的Conv2D层要求输入形状是(28,28,1)（单通道图像），但生成器返回的是(28,28)的数组，缺少通道维度，模型无法识别。
• 数据与标签未配对：你单独创建了train_data数据集和train_labels数组，但model.fit()无法直接将tf.data.Dataset和numpy数组配对使用，必须把两者打包成输入-标签对的数据集。
• 标签格式不兼容：你用了categorical_crossentropy损失函数，它要求标签是one-hot编码格式，但你生成的是整数标签，两者不匹配。
• 模型结构遗漏：卷积层输出是三维特征图，必须加Flatten层展平后才能连接输出层，否则模型无法正常编译。

完整修复代码与步骤 #

1. 修改生成器，补充通道维度 #

给生成器的输出数组增加通道维度，匹配模型输入要求：

import numpy as np
def gener_with_labels():
    # 生成整数标签
    train_labels = np.random.randint(0, 10, size=100)
    for i in range(100):
        # 生成带通道维度的输入数据 (28,28,1)
        x = np.random.sample((28,28,1))
        y = train_labels[i]
        yield x, y

2. 创建配对的tf.data数据集 #

用from_generator直接生成包含输入和标签的配对数据集：

import tensorflow as tf
from tensorflow.keras.optimizers import Adam

train_dataset = tf.data.Dataset.from_generator(
    gener_with_labels,
    output_types=(tf.float32, tf.int32),  # 输入是float32，标签是int32
    output_shapes=((28,28,1), ())         # 定义输入和标签的形状
)

# 可选但推荐：对数据集做批处理，提升训练效率
train_dataset = train_dataset.batch(32)

3. 调整模型结构与编译参数 #

补充Flatten层和输出层，同时用sparse_categorical_crossentropy损失（直接支持整数标签，无需one-hot编码）：

from tensorflow.keras.layers import Conv2D, Dense, Flatten
from tensorflow.keras.models import Sequential

model = Sequential()
model.add(Conv2D(filters=32, kernel_size=(3,3), activation='relu', input_shape=(28, 28,1,)))
model.add(Flatten())  # 展平卷积层的三维输出
model.add(Dense(10, activation='softmax'))  # 10分类的输出层

# 用sparse_categorical_crossentropy适配整数标签
model.compile(optimizer=Adam(), loss='sparse_categorical_crossentropy', metrics=['accuracy'])

4. 拟合模型 #

直接传入配对的数据集即可：

history = model.fit(train_dataset, epochs=7, verbose=1)

如果你坚持要用categorical_crossentropy，只需要把生成器里的标签转换成one-hot编码即可：

def gener_with_onehot_labels():
    train_labels = np.random.randint(0, 10, size=100)
    # 转换成one-hot编码
    train_labels_onehot = tf.keras.utils.to_categorical(train_labels, num_classes=10)
    for i in range(100):
        x = np.random.sample((28,28,1))
        y = train_labels_onehot[i]
        yield x, y

# 对应修改数据集的输出类型和形状
train_dataset = tf.data.Dataset.from_generator(
    gener_with_onehot_labels,
    output_types=(tf.float32, tf.float32),
    output_shapes=((28,28,1), (10,))
).batch(32)

# 编译时用categorical_crossentropy
model.compile(optimizer=Adam(), loss='categorical_crossentropy', metrics=['accuracy'])

内容的提问来源于stack exchange，提问作者Matina G