TensorFlow新手做VGG16迁移学习微调时遇ValueError求助

核心错误原因 #

你遇到的ValueError是因为训练时使用的生成器仅输出特征数据（x），未提供对应标签（y），不符合Keras对生成器输出格式的要求。结合代码细节，还有几处关键问题需要修正：

1. 生成器配置与训练方式不匹配 #

你设置class_mode=None后，train_generator和val_generator只会返回图像数据，不包含标签。但你已经提前提取了特征和标签，后续训练应该直接使用提取后的train_data、train_labels，而非再用生成器喂数据。

2. MLP层缺失Flatten操作 #

VGG16设置include_top=False后，输出的是形状为(7,7,512)的3D特征图，直接连接Dense层会报错，必须先通过Flatten层将3D特征转为1D向量。

3. 二分类激活函数错误 #

二分类任务应使用sigmoid激活函数，而非softmax。softmax适用于多分类场景，配合binary_crossentropy会导致输出概率不符合预期。

修正后的代码 #

import os
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Flatten, Dense, Dropout
from tensorflow.keras.preprocessing.image import ImageDataGenerator
from tensorflow.keras.optimizers import Adam
from tensorflow.keras import applications
import numpy as np

def get_length(Path, Pattern):
     # Pattern: 子目录名称
     Length = len(os.listdir(os.path.join(Path, Pattern)))
     return Length

train_data_dir = ''  # 填入你的训练集路径
validation_data_dir = ''  # 填入你的验证集路径
img_width, img_height = 224, 224
epochs = 150
batch_size = 8
LR = 0.00001

Len_C1_Train = get_length(train_data_dir,'AFF')
Len_C2_Train = get_length(train_data_dir,'NFF')
Len_C1_Val = get_length(validation_data_dir,'AFF')
Len_C2_Val = get_length(validation_data_dir,'NFF')

# 加载预训练VGG16，不含顶层分类器
model = applications.VGG16(include_top=False, weights='imagenet')
datagen = ImageDataGenerator(rescale=1. / 255)

# 提取训练集特征（替代废弃的predict_generator）
train_generator = datagen.flow_from_directory(
    train_data_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size,
    class_mode=None,
    shuffle=False
)  
features_train = model.predict(
    train_generator,
    steps=(Len_C1_Train+Len_C2_Train) // batch_size,
    max_queue_size=1
)

# 提取验证集特征
val_generator = datagen.flow_from_directory(
    validation_data_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size,
    class_mode=None,
    shuffle=False
)  
features_val = model.predict(
    val_generator,
    steps=(Len_C1_Val+Len_C2_Val) // batch_size,
    max_queue_size=1
)        

# 准备训练/验证数据与标签
train_data = features_train
train_labels = np.array([0] * int(Len_C1_Train) + [1] * int(Len_C2_Train))
validation_data = features_val
validation_labels = np.array([0] * int(Len_C1_Val) + [1] * int(Len_C2_Val))

# 构建MLP分类器，新增Flatten层处理3D特征
model2=Sequential()
model2.add(Flatten())
model2.add(Dense(128, activation='relu'))
model2.add(Dropout(0.5))
model2.add(Dense(1, activation='sigmoid'))  # 二分类用sigmoid

# 组合模型并冻结VGG16层
model_total = Sequential([model, model2])
model.trainable = False

# 编译模型
model_total.compile(loss='binary_crossentropy', optimizer=Adam(lr=LR), metrics=['binary_accuracy'])

# 用提取后的特征直接训练
model_total.fit(
    train_data,
    train_labels,
    epochs=epochs,
    batch_size=batch_size,
    validation_data=(validation_data, validation_labels)
)

额外说明 #

• predict_generator已被官方废弃，建议使用predict()替代，参数逻辑保持一致。
• 若想直接用生成器端到端训练（不提前提取特征），需将class_mode设为'binary'，生成器会返回(x,y)元组，此时无需提前提取特征，直接用fit()传入生成器即可。

内容的提问来源于stack exchange，提问作者Chuan