Autoencoder自定义数据集张量流2.3 ValueError：使用数据集作为输入时不支持y参数

问题描述

我正在尝试在Tensorflow 2.3中实现自动编码器。我将自己存储在磁盘上的图像数据集作为输入。有人可以向我解释如何以正确的方式完成此操作吗？

我尝试使用tf.keras.preprocessing.image_dataset_from_directory（）将数据加载到目录中，但是当我使用上述方法中的数据进行开始训练时，出现以下错误。

“ ValueError：使用数据集作为输入时，不支持y参数。”

PFB我正在运行的代码

'''

import tensorflow as tf
from convautoencoder import ConvAutoencoder
from tensorflow.keras.optimizers import Adam
import matplotlib.pyplot as plt
import numpy as np

EPOCHS = 25
batch_size = 1
img_height = 180
img_width = 180
data_dir = "/media/aniruddha/FE47-91B8/Laptop_Backup/Auto-Encoders/Basic/data"

train_ds = tf.keras.preprocessing.image_dataset_from_directory(
  data_dir,validation_split=0.2,subset="training",seed=123,image_size=(img_height,img_width),batch_size=batch_size)

val_ds = tf.keras.preprocessing.image_dataset_from_directory(
  data_dir,subset="validation",batch_size=batch_size)

(encoder,decoder,autoencoder) = ConvAutoencoder.build(224,224,3)
opt = Adam(lr=1e-3)
autoencoder.compile(loss="mse",optimizer=opt)

H = autoencoder.fit(    train_ds,train_ds,validation_data=(val_ds,val_ds),epochs=EPOCHS,batch_size=batch_size)

'''

解决方法

我解决了这个问题。我没有将输入数据集作为元组输入模型进行训练。一旦我纠正了培训的开始。

,

我使用生成器将输入数据作为元组提供给自动编码器。 请在下面找到我的代码。

# initialize the training training data augmentation object
trainAug = ImageDataGenerator(rescale=1. / 255)

valAug = ImageDataGenerator(rescale=1. / 255)

# initialize the training generator
trainGen = trainAug.flow_from_directory(
    config.TRAIN_PATH,class_mode="input",classes=None,target_size=(64,64),color_mode="grayscale",shuffle=True,batch_size=BS)
# initialize the validation generator
valGen = valAug.flow_from_directory(
    config.TRAIN_PATH,shuffle=False,batch_size=BS)
# initialize the testing generator
testGen = valAug.flow_from_directory(
    config.TRAIN_PATH,batch_size=BS)

early_stop = EarlyStopping(monitor='val_loss',patience=20)
mc = ModelCheckpoint('best_model_1.h5',monitor='val_loss',mode='min',save_best_only=True)

# construct our convolutional autoencoder
print("[INFO] building autoencoder...")
(encoder,decoder,autoencoder) = ConvAutoencoder.build(64,64,1)
opt = Adam(learning_rate= 0.0001,beta_1=0.9,beta_2=0.999,epsilon=1e-04,amsgrad=False)
autoencoder.compile(loss="mse",optimizer=opt)

# train the convolutional autoencoder
H = autoencoder.fit(    trainGen,validation_data=valGen,epochs=EPOCHS,batch_size=BS,callbacks=[ mc,early_stop])