使用Keras flow_from_dataframe处理回归任务遇class_mode参数问题求助

你提到的flow_from_dataframe其实是支持回归任务的，class_mode="raw"就是专门用来处理数值型回归标签的参数，你的问题大概率出在代码细节或数据预处理上，以下是具体修正方案：

1. 修正代码中的关键错误 #

• steps_per_epoch计算错误：你写的len(train_data/batch_size)是把整个训练集长度除以batch_size，但这里应该用当前折的训练集training_data的长度，并且用整数除法避免小数：

  steps_per_epoch = len(training_data) // batch_size
  # 如果训练集长度不能被batch_size整除，也可以加1确保遍历所有样本：
  # steps_per_epoch = (len(training_data) + batch_size - 1) // batch_size
  

• 验证集生成器的目录一致性：注意valid_image_dir是否和训练集的图像目录一致，如果测试集图像也在同一个目录下，应该统一用train_image_dir，避免找不到图像。

2. 确保标签数据类型正确 #

y_col="time"对应的列必须是数值类型（float/int），如果你的Excel里该列是字符串格式，会导致flow_from_dataframe无法正确返回回归标签，需要提前转换：

import pandas as pd
# 转换为数值类型，错误值设为NaN并处理
train_data['time'] = pd.to_numeric(train_data['time'], errors='coerce')
# 移除含缺失值的行
train_data = train_data.dropna(subset=['time'])

3. 模型编译适配回归任务 #

你的compile_model()函数必须使用回归任务对应的损失函数和指标，不能用分类任务的配置：

def compile_model():
    # 示例CNN结构，替换成你的模型
    model = tf.keras.models.Sequential([
        tf.keras.layers.Input(shape=(224,224,3)),
        tf.keras.layers.Conv2D(32, (3,3), activation='relu'),
        tf.keras.layers.GlobalAveragePooling2D(),
        tf.keras.layers.Dense(1) # 回归任务最后一层是单输出，无激活函数
    ])
    # 损失用均方误差(MSE)，指标用平均绝对误差(MAE)
    model.compile(optimizer='adam', loss='mse', metrics=['mae'])
    return model

4. 关于模型训练函数的说明 #

如果你用的是较新版本的TensorFlow，fit_generator已经被弃用，建议直接用model.fit()，它可以直接接收数据生成器：

history = model.fit(
    train_data_generator,
    validation_data=valid_data_generator,
    epochs=epochs,
    callbacks=callbacks,
    workers=8,
    steps_per_epoch=steps_per_epoch,
    validation_steps=len(validation_data)//batch_size # 建议加上验证集步数
)

内容的提问来源于stack exchange，提问作者deniyoring