如何构建带对应标签的TensorFlow图像输入管道及标签全0问题解决

原因1：图像路径列表与标签列表顺序不匹配 #

这是最高发的核心问题：glob()返回的文件路径顺序由文件系统决定，默认不是自然数值排序，也和CSV文件的行顺序没有对应关系。你直接将train_images和train_labels按索引一一绑定，相当于把完全错位的标签赋给了图像，极端情况就会出现所有取出的标签都为0的问题。

解决方法： #

优先根据CSV里的文件名列生成图像路径，保证顺序和标签完全对齐，不要直接用glob全量扫目录：

# 假设你的CSV里有filename列存储图像文件名（例如a.jpg）
train_images = df['filename'].apply(lambda x: f'/Desktop/dataset/resized_train/{x}').tolist()
train_labels = df['label'].map(label_map).tolist()

如果必须使用glob，需要先对路径做自然排序，同时让CSV也按文件名排序保证对齐：

import natsort
train_images = natsort.natsorted(glob('/Desktop/dataset/resized_train/*'))
# CSV按文件名排序，重置索引保证和路径顺序一致
df = df.sort_values(by='filename').reset_index(drop=True)
train_labels = df['label'].map(label_map).tolist()

原因2：标签映射匹配失败返回NaN，转张量时默认变为0 #

如果你的classes列表里的类别名和CSV的label列取值存在拼写、大小写、前后空格等差异，map()操作找不到匹配的键时会返回NaN，TensorFlow将NaN转换为整数张量时会默认转为0，最终出现所有标签都是0的情况。

解决方法： #

先校验映射结果是否正常：

# 查看标签分布，是否存在大量NaN
print(train_labels.value_counts(dropna=False))
print(f"匹配失败的样本数：{train_labels.isna().sum()}")

如果确实存在匹配问题，统一两边的命名规则即可：

# 统一去掉前后空格、转为小写
df['label'] = df['label'].str.strip().str.lower()
classes = [c.strip().lower() for c in classes]
label_map = {v:i for i, v in enumerate(classes)}
train_labels = df['label'].map(label_map)

原因3：可视化代码逻辑错误 #

你当前的show_img代码逻辑存在问题：每次循环都调用dataset.take(1)获取新的batch，再取新batch的第i个元素，而非先取一个batch再遍历该batch内的前8个样本。如果你的batch_size远小于8，就会出现每次取的batch只有第一个位置有有效标签，其他位置默认补0的情况。

解决方法： #

修改可视化代码逻辑：

def show_img(dataset):
    plt.figure(figsize=(15,15))
    # 先取1个完整batch再遍历样本
    for imgs, labels in dataset.take(1):
        sample_cnt = min(8, batch_size)
        for i in range(sample_cnt):
            img  = imgs[i]*255.0
            plt.subplot(4,2,i+1)
            plt.imshow(tf.cast(img,tf.uint8))
            plt.title(labels[i].numpy())
            plt.subplots_adjust(hspace=1)
    plt.show()

内容的提问来源于stack exchange，提问作者Phoenix