使用CNN-VGG16调用fit_generator时遇ValueError错误求助

核心原因 #

• validation_data为无效值：你的testdata变量未生成有效的数据迭代器，实际传入了None，和训练数据类型不匹配。
• 使用废弃API：TensorFlow 2.x版本的Keras中，fit_generator已被弃用，直接用model.fit()即可兼容数据生成器。
• 数据生成器未正确实例化：ImageDataGenerator只是数据增强配置类，必须调用flow()/flow_from_directory()等方法生成可迭代的数据对象，不能直接传入类本身。

具体修复步骤 #

1. 生成有效的训练/测试数据迭代器 #

如果你的数据是按文件夹分类存储，用flow_from_directory生成迭代器：

from keras.preprocessing.image import ImageDataGenerator

# 初始化数据增强配置
train_datagen = ImageDataGenerator(rescale=1./255, shear_range=0.2, zoom_range=0.2, horizontal_flip=True)
test_datagen = ImageDataGenerator(rescale=1./255)

# 生成训练数据迭代器
traindata = train_datagen.flow_from_directory(
    "你的训练集文件夹路径",
    target_size=(224, 224),  # VGG16标准输入尺寸
    batch_size=32,
    class_mode="categorical"  # 多分类用categorical，二分类用binary
)

# 生成测试数据迭代器
testdata = test_datagen.flow_from_directory(
    "你的测试集文件夹路径",
    target_size=(224, 224),
    batch_size=32,
    class_mode="categorical"
)

如果是numpy数组格式的数据，用flow()方法：

traindata = train_datagen.flow(x_train, y_train, batch_size=32)
testdata = test_datagen.flow(x_test, y_test, batch_size=32)

2. 替换fit_generator为fit() #

TensorFlow 2.x的fit()原生支持数据生成器，修改训练代码：

from keras.callbacks import ModelCheckpoint, EarlyStopping

checkpoint = ModelCheckpoint("vgg16_1.h5", monitor='val_accuracy', verbose=1, save_best_only=True, save_weights_only=False, mode='auto')
early = EarlyStopping(monitor='val_accuracy', min_delta=0, patience=20, verbose=1, mode='auto')

# 使用fit替代废弃的fit_generator
hist = model.fit(
    traindata,
    steps_per_epoch=100,
    validation_data=testdata,
    validation_steps=10,
    epochs=100,
    callbacks=[checkpoint, early]
)

注意：新版本Keras中指标名称为val_accuracy，旧版本可保留val_acc，建议统一用val_accuracy避免兼容问题。

3. 检查变量有效性 #

确认testdata未被误赋值为None：比如测试集路径错误、文件夹结构不符合要求（如测试集文件夹下无对应类别的子文件夹），都会导致生成器返回无效对象，需核对路径和文件夹结构。

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