NumpyArrayIterator无classes属性报错，无法生成神经网络混淆矩阵求助

这个报错的根源很明确：你用datagen.flow()生成的test_generator是NumpyArrayIterator类型，它本身就没有classes属性——只有用flow_from_directory()生成的DirectoryIterator才会自带这个属性（因为它是从文件夹结构自动识别类别信息的）。你之前用样本数据能正常运行，大概率是当时的测试生成器是用flow_from_directory创建的，和现在的情况不一样。

快速修复方案 #

既然你是用flow()加载的测试集，说明你肯定已经有了测试集的真实标签数据（比如y_test），直接用这个原始标签数组就行，不用从生成器里取：

test_generator.reset()
pred = model.predict_generator(test_generator, steps=len(test_generator), verbose=2)
from sklearn.metrics import classification_report, confusion_matrix, cohen_kappa_score
import pandas as pd
import numpy as np

y_pred = np.argmax(pred, axis=1)

# 关键修改：用原始测试集标签代替test_generator.classes
# 如果你的y_test是one-hot编码格式，先转成类别索引
y_true = np.argmax(y_test, axis=1)
# 如果y_test本来就是类别索引（比如[0,1,0,2,...]），直接用y_true = y_test

print('Confusion Matrix')
print(pd.DataFrame(confusion_matrix(y_true, y_pred)))

为什么会这样？ #

• flow_from_directory()会扫描指定文件夹的结构，自动为每个样本分配类别标签，所以生成的迭代器会保存classes、class_indices这些属性；
• 而flow()是基于你已经准备好的numpy数组（x_test和y_test）来生成批量数据，它不需要自己识别类别，所以迭代器里不会存储classes这类属性，真实标签本来就在你手里的y_test里。

额外提示 #

如果你因为某些原因一定要从生成器中获取真实标签，可以遍历生成器收集所有标签，但这种方法效率不如直接用原始y_test：

# 收集生成器中的所有真实标签
y_true = []
for _, y_batch in test_generator:
    y_true.extend(np.argmax(y_batch, axis=1))  # 如果是one-hot编码
    # 如果y_batch是类别索引，直接y_true.extend(y_batch)
    # 注意：遍历后要重置生成器，否则后续predict会出问题
test_generator.reset()

内容的提问来源于stack exchange，提问作者Fauz