Keras模型拟合时报list index out of range错误（胸部X光迁移学习项目）

• 最直接触发IndexError: list index out of range的原因：调用tf.keras.preprocessing.image_dataset_from_directory时没有接收返回的TF Dataset对象，传入fit接口的train_dataset、validation_data本质是字符串路径，而非可迭代的张量数据集。Keras数据适配器在尝试解析输入数据的张量维度时，遇到无形状属性的字符串对象，直接触发列表索引越界。
• 数据集图像尺寸与模型输入不匹配：image_dataset_from_directory配置的图像缩放尺寸为(256,256)，但VGG16与模型输入层定义的输入形状为(150,150,3)，尺寸错位会在数据集正确加载后触发形状不匹配报错。
• 任务配置逻辑错配：二分类任务下输出层为单神经元+sigmoid激活，却配置了categorical_crossentropy损失函数，且label_mode为整数编码，该场景需使用binary_crossentropy损失。
• 网络层逻辑冗余：VGG16已配置pooling='avg'，输出为全局平均池化后的一维特征向量，后续拼接Flatten()层属于无意义操作，不会对模型效果产生正向增益。

• 测试目录无需特殊结构，仅需和训练集保持一致的层级：根目录下为每个类别建立单独的命名子文件夹，子文件夹内存放对应类别的.jpg格式图像，image_dataset_from_directory会自动遍历识别类别标签，推断整数编码逻辑。
• 加载测试集时需强制指定class_names和训练集完全一致，避免两个数据集的标签编码顺序错位，导致最终预测结果失真。

import os
from PIL import Image
import numpy as np
import tensorflow as tf
from tensorflow import keras

# 定义数据集路径
test_path = 'C:\\Users\\arjun\\Desktop\\Rashmi\\Courses\\Deep Learning\\Project 2\\chest-xray-pneumonia\\chest_xray\\chest_xray\\test'
train_path = 'C:\\Users\\arjun\\Desktop\\Rashmi\\Courses\\Deep Learning\\Project 2\\chest-xray-pneumonia\\chest_xray\\chest_xray\\train'
batch_size = 8

# 正确加载训练集，图像尺寸对齐模型输入
train_dataset = tf.keras.preprocessing.image_dataset_from_directory(
    train_path,
    labels="inferred",
    label_mode="int",
    class_names=None,
    color_mode="rgb",
    batch_size=batch_size,
    image_size=(150, 150),
    shuffle=True,
    seed=123,
    interpolation="bilinear",
)

# 正确加载测试集，类名顺序与训练集保持一致
test_dataset = tf.keras.preprocessing.image_dataset_from_directory(
    test_path,
    labels="inferred",
    label_mode="int",
    class_names=train_dataset.class_names,
    color_mode="rgb",
    batch_size=batch_size,
    image_size=(150, 150),
    shuffle=False,
    interpolation="bilinear",
)

# 构建迁移学习模型
base_model = tf.keras.applications.VGG16(
    include_top=False, 
    weights='imagenet',
    input_shape=(150,150,3), 
    pooling='avg'
)
base_model.trainable = False

inputs = keras.Input(shape=(150,150,3))
x = base_model(inputs, training = False)
x = keras.layers.Dense(512, kernel_initializer = 'he_normal', activation = 'relu')(x)
predictions = keras.layers.Dense(1, activation = 'sigmoid')(x)
transfer_model = keras.Model(inputs, predictions)

# 匹配二分类任务的编译配置
transfer_model.compile(
    loss='binary_crossentropy',
    optimizer=keras.optimizers.SGD(learning_rate=1e-4,momentum=0.9),
    metrics=['accuracy']
) 

# 传入合法的TF Dataset对象启动训练
transfer_model.fit(
    train_dataset, 
    epochs = 2, 
    validation_data = test_dataset
)

内容的提问来源于stack exchange，提问作者Rashmi Rao Raghavendra