model.fit()函数有问题

Question

人脸识别的过程中

datagen = ImageDataGenerator(
                featurewise_center=False,  # 是否使输入数据去中心化（均值为0），
                samplewise_center=False,  # 是否使输入数据的每个样本均值为0
                featurewise_std_normalization=False,  # 是否数据标准化（输入数据除以数据集的标准差）
                samplewise_std_normalization=False,  # 是否将每个样本数据除以自身的标准差
                zca_whitening=False,  # 是否对输入数据施以ZCA白化
                rotation_range=20,  # 数据提升时图片随机转动的角度(范围为0～180)
                width_shift_range=0.2,  # 数据提升时图片水平偏移的幅度（单位为图片宽度的占比，0~1之间的浮点数）
                height_shift_range=0.2,  # 同上，只不过这里是垂直
                horizontal_flip=True,  # 是否进行随机水平翻转
                vertical_flip=False)  # 是否进行随机垂直翻转
            # 计算整个训练样本集的数量以用于特征值归一化、ZCA白化等处理
            print("##########" + str(type(dataset.train_images)))
            datagen.fit(dataset.train_images)

最后一句报错    raise ValueError('Input to `.fit()` should have rank 4. '
ValueError: Input to `.fit()` should have rank 4. Got array with shape: ()

Answer 1

这个错误信息表明datagen.fit()函数期望的输入是一个四维数组（rank 4），但是您提供的dataset.train_images却是一个没有维度的数组（shape: ()），这通常意味着dataset.train_images可能是一个空数组、一个数字、一个None对象或者类似的非数组类型的对象。

在Keras的ImageDataGenerator中，fit()函数通常用于计算输入数据集的统计信息（比如均值和标准差），以便在训练时对这些数据进行归一化。当featurewise_center或featurewise_std_normalization设置为True时，您需要使用fit()函数来传递整个训练数据集。

但是，从您的代码片段来看，您并没有启用这些需要fit()函数的功能（featurewise_center和featurewise_std_normalization都被设置为False）。因此，在您的场景下，实际上并不需要调用datagen.fit()。

不过，如果您正在使用的是类似tf.keras.preprocessing.image_dataset_from_directory或类似函数加载的图像数据集，并且返回的是一个tf.data.Dataset对象，那么您不能直接将这个对象传递给ImageDataGenerator的fit()方法，因为ImageDataGenerator期望的是一个NumPy数组。

如果您的数据集是tf.data.Dataset对象，那么您应该直接使用该对象进行训练，而不需要ImageDataGenerator（除非您想对单个图像应用数据增强，然后将这些图像作为批量传递给模型）。

如果您确实需要应用ImageDataGenerator，并且您的数据集是NumPy数组，那么请确保dataset.train_images是一个四维数组，通常形状为(num_samples, height, width, channels)。如果它不是，您需要找出为什么它不是，并修复这个问题。

如果dataset.train_images是一个列表或其他可迭代对象，其中包含图像文件路径，那么您需要首先使用这些路径加载图像并将它们转换为一个NumPy数组，然后才能将其传递给datagen.fit()。

如果dataset.train_images已经是一个NumPy数组但形状不正确，您可能需要重塑它，例如使用np.reshape()函数。