Python机器学习Keras预测报空数据集错误问题求解

问题排查与解决方案 #

这个ValueError: Expect x to be a non-empty array or dataset.错误的核心是传入预测函数的test_feature_normalize是空数组，没有有效输入数据，按以下顺序排查即可：

• 首先排查图像路径读取失败问题
  你写的路径glob.glob("imagedata\*.jpg" )存在转义字符问题：Windows系统下的反斜杠\是Python的转义符，会导致路径解析错误。修改方案三选一：

  1. 改为正斜杠：glob.glob("imagedata/*.jpg")
  2. 改为双反斜杠：glob.glob("imagedata\\*.jpg")
  3. 加原始字符串前缀：glob.glob(r"imagedata\*.jpg")
     修改后可以加一行print(len(files))验证，如果输出为0，说明imagedata文件夹和你当前运行的脚本不在同一个目录，或者文件夹内没有后缀为.jpg的图像，先修正路径保证能读到文件。

• 然后排查reshape维度不匹配问题
  你代码里先把图像resize成了(80,80)的尺寸，每张图的维度是80×80×3，后续reshape的时候却写了reshape(len(test_feature), 40,40,3)，二者总元素数不匹配。如果前面成功读到图像，这步会直接抛出维度错误；如果没读到图像，reshape空数组不会报错，会直接生成空的特征数组。
  修复方案：把reshape代码改为和resize尺寸一致：

  test_feature_vector = test_feature.reshape(len(test_feature), 80,80,3).astype('float32')
  

• 可选优化：修正标签提取逻辑
  你当前用label=file[10:13]硬编码切片取标签，对文件路径、文件名长度要求极高，很容易提取失败。建议改为通过关键词判断标签：

  for file in files:
      img=cv2.imread(file) 
      img = cv2.resize(img, dsize=size)       
      test_feature.append(img)
      # 替换硬编码切片逻辑
      if 'cat' in file.lower():
          test_label.append(0)
      elif 'dog' in file.lower():
          test_label.append(1)
  

你可以在归一化代码后加一行print(test_feature_normalize.shape)验证，只要输出的第一个维度大于0，就说明有有效数据，预测就不会再报空数据集错误。

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