Keras多标签分类（年龄+性别）数据增强问题求助

问题背景 #

基于TensorFlow Keras实现单输入双输出分支网络，输入为图像，同时完成性别分类（二分类）和年龄回归任务，尝试用ImageDataGenerator做数据增强。但当前实现中，生成器误将年龄识别为分类任务（输出97/90类），导致模型训练无有效输出。使用的数据集为UTK人脸数据集，含4000张训练图、1000张验证图，尺寸均为128×128彩色图像。

问题根源 #

1. flow_from_dataframe默认将y_col的内容视为分类标签，自动做one-hot编码，而年龄是连续值，需以原始数值形式传入回归分支
2. 当前代码中合并了年龄和性别为labels列，无法让生成器区分两类任务的标签类型
3. 模型定义存在重复创建Model和compile的冗余代码，会覆盖正确的模型配置

解决方案步骤 #

1. 调整数据集结构 #

确保DataFrame中年龄（连续值）和性别（0/1二值）分为单独的列，比如df_train和df_test包含image（图像路径）、age（年龄数值）、gender（0/1）三列，而非合并的labels列。

2. 修改数据生成器配置 #

使用class_mode='raw'让生成器返回原始标签值，同时指定y_col为两个列名：

from keras.preprocessing.image import ImageDataGenerator

datagen = ImageDataGenerator(
    rescale = 1./255,
    rotation_range = 40,
    width_shift_range = 0.2,
    height_shift_range = 0.2,
    shear_range = 0.2,
    zoom_range = 0.2,
    horizontal_flip = True,
    fill_mode = 'nearest'
)

test_datagen= ImageDataGenerator(rescale=1./255.)

train_generator=datagen.flow_from_dataframe(
    dataframe = df_train,
    x_col="image",
    y_col=["age", "gender"],  # 分开指定年龄和性别列
    batch_size=32,
    seed=42,
    shuffle=True,
    target_size=(128, 128),
    class_mode='raw'  # 关键：返回原始数值，不做one-hot编码
)

valid_generator = test_datagen.flow_from_dataframe(
    dataframe = df_test,
    x_col = "image",
    y_col = ["age", "gender"],
    batch_size = 32,
    seed = 42,
    shuffle = True,
    target_size=(128, 128),
    class_mode='raw'
)

3. 修正生成器Wrapper函数 #

此时batch_y是形状为(batch_size, 2)的数组，第一列是年龄，第二列是性别，调整Wrapper返回对应分支的标签：

def generator_wrapper(generator):
    for batch_x, batch_y in generator:
        # 对应模型输出顺序：gender_out在前，age_out在后
        yield (batch_x, [batch_y[:, 1], batch_y[:, 0]])

4. 修正模型定义冗余代码 #

删除重复的Model创建和compile语句，保留正确的模型构建逻辑：

from keras.layers import Input, Conv2D, MaxPooling2D, Flatten, Dense, Dropout
from keras.models import Model

input_shape = (128, 128, 3)
inputs = Input(input_shape)

# 卷积特征提取层
conv_1 = Conv2D(32, kernel_size=(3, 3), activation='relu')(inputs)
maxp_1 = MaxPooling2D(pool_size=(2, 2))(conv_1)
conv_2 = Conv2D(64, kernel_size=(3, 3), activation='relu')(maxp_1)
maxp_2 = MaxPooling2D(pool_size=(2, 2))(conv_2)
conv_3 = Conv2D(128, kernel_size=(3, 3), activation='relu')(maxp_2)
maxp_3 = MaxPooling2D(pool_size=(2, 2))(conv_3)
conv_4 = Conv2D(256, kernel_size=(3, 3), activation='relu')(maxp_3)
maxp_4 = MaxPooling2D(pool_size=(2, 2))(conv_4)

flatten = Flatten()(maxp_4)

# 性别分类分支
gender_dense = Dense(256, activation='relu')(flatten)
gender_dropout = Dropout(0.3)(gender_dense)
gender_out = Dense(1, activation='sigmoid', name='gender_out')(gender_dropout)

# 年龄回归分支
age_dense = Dense(256, activation='relu')(flatten)
age_dropout = Dropout(0.3)(age_dense)
age_out = Dense(1, activation='relu', name='age_out')(age_dropout)

# 定义并编译模型
model = Model(inputs=inputs, outputs=[gender_out, age_out])
model.compile(
    optimizer='adam',
    loss={'gender_out': 'binary_crossentropy', 'age_out': 'mae'},
    metrics={'gender_out': 'accuracy', 'age_out': 'mae'}
)

5. 执行训练 #

STEP_SIZE_TRAIN=train_generator.n//train_generator.batch_size
STEP_SIZE_VALID=valid_generator.n//valid_generator.batch_size

history = model.fit(
    generator_wrapper(train_generator),
    steps_per_epoch=STEP_SIZE_TRAIN,
    validation_data=generator_wrapper(valid_generator),
    validation_steps=STEP_SIZE_VALID,
    epochs=10,  # 可根据需求调整训练轮数
    verbose=2
)

关键说明 #

• class_mode='raw'是核心，确保生成器返回原始数值标签，而非one-hot编码的分类矩阵
• 模型输出顺序要和Wrapper返回的标签顺序严格对应，否则损失函数会匹配错误
• 年龄回归分支的激活函数用relu合理（年龄非负），损失函数用mae或mse均适合回归任务

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