深度学习中如何为不同类别图像添加0和1标签

你的错误代码会遍历两次X_train，先给所有图像添加标签1，再添加标签0，最终Y_train的长度是X_train的2倍，且每个图像对应了两个错误标签，完全不符合分类任务中每个样本对应一个标签的要求。

以下是几种正确的实现方式：

方式1：添加图像时同步添加标签 #

如果imageA属于类别0，imageB属于类别1，在把图像加入X_train的同时，直接给Y_train添加对应标签：

X_train = []
Y_train = []
# 类别0的图像
X_train.append(imageA)
Y_train.append(0)
# 类别1的图像
X_train.append(imageB)
Y_train.append(1)

方式2：批量处理同类图像 #

如果你有一批类别0的图像（比如存在imageA_list列表中）和一批类别1的图像（存在imageB_list列表中），可以批量添加：

X_train = []
Y_train = []
# 批量添加类别0的图像及对应标签
for img in imageA_list:
    X_train.append(img)
    Y_train.append(0)
# 批量添加类别1的图像及对应标签
for img in imageB_list:
    X_train.append(img)
    Y_train.append(1)

方式3：基于已有X_train的结构生成标签 #

如果X_train已经构建完成，且你知道图像的类别分布（比如前k个是类别0，剩余是类别1），可以用列表快速生成标签：

# 假设前k个元素是类别0，其余是类别1，k值根据实际情况修改
k = 1
Y_train = [0] * k + [1] * (len(X_train) - k)

或者如果有一个和X_train对应的类别标识列表（比如categories，元素为'A'或'B'），可以用列表推导式映射标签：

# categories是与X_train长度一致的列表，元素为'A'（类别0）或'B'（类别1）
Y_train = [0 if cat == 'A' else 1 for cat in categories]

内容的提问来源于stack exchange，提问作者Meriem Chahinez Ben