image_dataset_from_directory多标签分类标签赋值异常咨询

tf.keras.utils.image_dataset_from_directory() 原生仅支持单标签多分类任务的数据加载，没有内置多标签场景的适配逻辑，你当前的用法不符合函数的设计预期。
你观察到的标签轮转现象，本质来自函数的文件遍历和打标逻辑：

• 函数不会做跨目录的文件去重，也不会识别不同目录下文件名相同、内容相同的图片为同一样本。它会递归扫描所有类别子目录下的全部文件，每个独立文件路径对应一个独立样本，标签直接取该文件所在子目录对应的类别序号，转成one-hot向量。
• 你的测试目录下实际存在96*3=288个独立图片文件：class_a目录下的96张图全部被标记为[1,0,0]，class_b目录下的96张全部标记为[0,1,0]，class_c目录下的96张全部标记为[0,0,1]。
• 函数默认开启文件顺序打乱（shuffle=True），因此你取批次查看时会看到三个标签交替出现。如果传入参数shuffle=False关闭打乱，你会看到输出先连续跑完class_a下所有带[1,0,0]标签的样本，再连续跑class_b、class_c的样本，不存在你猜测的「首次/末次匹配覆盖标签」逻辑。

你设计的「同图复制到多类目录」的存储方式，不会被函数识别为多标签样本，只会生成3倍冗余的单标签样本，完全无法得到你预期的多标签输出。

• 优先采用自定义tf.data流水线方案（性能最优、适配性最强）
  1. 放弃同图多份复制的存储逻辑，所有图片仅存1份，单独维护标签映射：可以用你已经掌握的csv、txt、xml解析方式，或者从文件名解码的方式，为每张图片生成对应的多标签one-hot向量，整理为「图片路径列表」+「对应多标签张量列表」的形式。
  2. 编写图片预处理函数，实现文件读取、解码、尺寸调整、像素归一化等操作，示例逻辑如下：

  def load_and_preprocess(path, label):
      img = tf.io.read_file(path)
      img = tf.image.decode_jpeg(img, channels=3)
      img = tf.image.resize(img, [img_height, img_width])
      img = img / 255.0
      return img, label
  

  3. 调用tf.data.Dataset.from_tensor_slices((path_list, label_list))构建基础数据集，再依次调用.map(load_and_preprocess)、.shuffle()、.batch()、.prefetch()完成训练流水线搭建即可。
• 临时测试兼容方案（不推荐生产环境使用）
  如果你暂时不想调整现有目录结构，可以按以下步骤处理：
  1. 调用image_dataset_from_directory时传入shuffle=False，遍历数据集拿到所有288个样本的文件名、像素矩阵、单标签。
  2. 以文件名为key做分组，对同文件名对应的多个单标签向量做按位或运算，合并为多标签向量，同时去重保留唯一的图片像素数据。
  3. 将去重合并后的（像素矩阵，多标签向量）对重新组装为tf.data.Dataset对象即可。

  该方案存在3倍文件冗余，额外的去重合并步骤会增加IO和计算开销，仅适合快速验证场景。

内容的提问来源于stack exchange，提问作者ghylander