Keras Tuner使用DirectoryIterator时validation_split报错咨询

validation_split 参数仅支持从静态加载到内存的张量、NumPy数组数据中随机切分验证集，无法对动态流式读取磁盘数据的DirectoryIterator对象做自动拆分。这类图像生成器是逐批次从硬盘加载图片的，没有一次性把全量数据读入内存，完全不满足自动切分的前置条件。
从你现有代码的目录结构看，你已经单独划分了Data/Train训练目录、Data/Val验证目录，本来就有独立的验证数据集，根本不需要依赖validation_split做自动切分。

1. 修正Keras Tuner超参搜索的调用逻辑 #

你当前错误地给传入训练生成器的search方法加了validation_split=0.2参数，直接删掉这个无效参数，把已经初始化好的独立验证生成器test_data_gen通过validation_data参数传入，替换原有的搜索代码为：

tuner.search(
    train_data_gen,
    epochs=50,
    validation_data=test_data_gen,
    validation_steps=10,  # 和后续普通训练的验证步数对齐，避免拖慢搜索速度
    callbacks=[stop_early]
)

2. 修正最终模型训练的调用逻辑 #

你后续调用model.fit训练最终模型时，同样错误添加了validation_split=0.2参数，直接删除该参数，沿用独立验证生成器即可，替换为你之前注释掉的正确写法：

history = model.fit(
    train_data_gen,
    steps_per_epoch=steps_per_epoch,
    epochs=epochs,
    validation_data=test_data_gen,
    validation_steps=10,
    callbacks=[cp_callback, tensorboard_callback]
)

• 模型编译阶段，你设置的损失函数为SparseCategoricalCrossentropy(from_logits=True)，但模型最后一层已经加了softmax激活，这种场景下必须把from_logits设为False，否则会出现损失值异常、计算准确率不准的问题。
• 模型第一个卷积层设置的265个卷积核不属于常规显存优化配置，超参搜索阶段容易出现显存溢出，建议调整为128或256这类标准数值。
• 因为训练数据集体量较大，调用tuner.search时最好和后续训练保持一致，加上steps_per_epoch=steps_per_epoch参数，避免默认跑全量训练集导致搜索速度过慢。

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