AutoKeras图像分类运行异常:生成器报错、plt.show()输出空图
报错根因与修正方案
初始化tf.data.Dataset时形状不匹配
- 存在三处逻辑错误:
- 自定义迭代器
my_iterator返回值完全错位:遍历生成器时拿到的图像批次img_batch没有被返回,反而错误将test_generator.batch_size(数值为16的标量)作为图像输入返回 from_generator声明的输出形状存在笔误与维度错配:原代码写的(224, 244)将图像宽度错写为244,且完全遗漏批维度、图像通道维度,和真实生成器输出的张量形状不匹配- 未传递实际生成器实例给自定义迭代函数,数据链路断裂
- 自定义迭代器
- 修正写法:
def my_iterator(generator): # 直接返回生成器输出的图像批次、标签批次 for img_batch, targets_batch in generator: yield img_batch, targets_batch # 用output_signature匹配真实张量形状,兼容新版TensorFlow train_set = tf.data.Dataset.from_generator( lambda: my_iterator(train_generator), output_signature=( tf.TensorSpec(shape=(16, 224, 224, 3), dtype=tf.float32), tf.TensorSpec(shape=(16,), dtype=tf.float32) ) ) val_set = tf.data.Dataset.from_generator( lambda: my_iterator(validation_generator), output_signature=( tf.TensorSpec(shape=(16, 224, 224, 3), dtype=tf.float32), tf.TensorSpec(shape=(16,), dtype=tf.float32) ) )
squeeze操作维度不匹配报错
- 核心错误:输入图像是3通道RGB图,单张图像形状为(224, 224, 3),索引为2的轴维度大小是3,并非可压缩的1,强行指定
axis=2压缩自然会触发报错。 - 修正逻辑:取批次内的单张样本即可,3通道图像可直接被matplotlib识别,无需额外压缩维度。
plt渲染图像空白
- 存在两处代码错误:
- 原代码调用
image.numpy.shape()是错误写法,numpy数组的shape是类属性,不需要加括号执行,这行本身就会触发报错 - 图像已被
rescale=1./255缩放到0-1的浮点范围,乘255后未转换为uint8类型,matplotlib对不符合取值规范的浮点图像会渲染为空白
- 原代码调用
- 修正后的图像验证代码:
for image_batch, label_batch in train_set.take(1): print("Image batch shape: ", image_batch.shape) print("Label batch shape: ", label_batch.shape) # 乘255后转uint8,符合matplotlib的图像输入规范 sample_image = (image_batch[0].numpy() * 255).astype("uint8") plt.imshow(sample_image) plt.show()
AutoKeras适配优化
AutoKeras支持直接传入Keras ImageDataGenerator的实例,不需要手动转换为tf.data结构,可大幅降低自定义迭代器的出错概率,训练代码可直接简化为:
clf = ak.ImageClassifier(overwrite=True, max_trials=1, seed=5) clf.fit(train_generator, epochs=20, validation_data=validation_generator) print(clf.evaluate(validation_generator))
内容的提问来源于stack exchange,提问作者Victor Simon
相关产品推荐
相关产品推荐

