我正在按照本教程使用 Collab 上的 TensorFlow lite Model Maker 创建自定义模型。
import pathlib
path = pathlib.Path('/content/employee_pics')
count = len(list(path.glob('*/*.jpg')))
count
data = ImageClassifierDataLoader.from_folder(path)
train_data, test_data = data.split(0.5)
我对第 2 步有疑问：
model = image_classifier.create(train_data)
我收到一个错误：ValueError: Expect x to be a non-empty array or dataset。
难道我做错了什么？示例中提供的数据集可以正常工作。为什么？
此错误是由训练数据的大小小于batch_size不允许的大小引起的。
默认的batch_size为32，即训练图像的数量应不少于32。无需计算每个标签的图像数量，只需确保总训练图像至少为32。
您需要选择以下解决方案之一来解决它。
batch_size小于训练数据大小，例如：image_classifier.create(train_data, batch_size=4)
我只是做了一些手动测试。不完全知道为什么，但是对于这个二元分类器，当我增加数据量以确保每个标签至少有 16 个图像用于训练时，它就开始工作了。
对于您的情况，由于您将训练/测试拆分为 0.5 倍，因此每个标签需要 32 张图像。如果能解决你的问题，你能试试吗？
有同样的错误：
File "/usr/local/lib/python3.6/dist-packages/tensorflow/python/keras/engine/training.py", line 1110, in fit
raise ValueError('Expect x to be a non-empty array or dataset.')
ValueError: Expect x to be a non-empty array or dataset.
首先尝试减少批量大小。如果批量大小大于训练数据集，则不创建输入数据集，因此保持为空。但我的情况并非如此。
然后我试图查看我的数据集在哪里变空。我的第一个时代运行良好，但不是另一个。似乎我的数据集在批处理过程中得到了转换。
classes = len(y.unique())
model = Sequential()
model.add(Dense(10, activation='relu',
activity_regularizer=tf.keras.regularizers.l1(0.00001)))
model.add(Dense(classes, activation='softmax', name='y_pred'))
opt = Adam(lr=0.0005, beta_1=0.9, beta_2=0.999)
BATCH_SIZE = 12
train_dataset, validation_dataset =set_batch_size(BATCH_SIZE,train_dataset,validation_dataset)
model.compile(loss='categorical_crossentropy', optimizer=opt, metrics['accuracy'])
model.fit(_train_dataset, epochs=10,validation_data=_validation_dataset,verbose=2, callbacks=callbacks)
这种情况的解决方案： 更新训练和验证数据集的冗余更新，同时通过提供不同的名称将其分批。
前：
train_dataset, validation_dataset = set_batch_size(BATCH_SIZE, train_dataset, validation_dataset)
后：
_train_dataset, _validation_dataset = set_batch_size(BATCH_SIZE, train_dataset, validation_dataset)
classes = len(y.unique())
model = Sequential()
model.add(Dense(10, activation='relu',activity_regularizer=tf.keras.regularizers.l1(0.00001)))
model.add(Dense(classes, activation='softmax', name='y_pred'))
选择 = 亚当（lr=0.0005，beta_1=0.9，beta_2=0.999）
BATCH_SIZE = 12
_train_dataset, _validation_dataset = set_batch_size(BATCH_SIZE, train_dataset, validation_dataset) model.compile(loss='categorical_crossentropy', optimizer=opt, metrics=['accuracy'])
model.fit(_train_dataset, epochs=10, validation_data=_validation_dataset, verbose= 2、回调=回调）