当列车图像数量从100增加到9000时，为什么tf.keras损失变为NaN？

Question

我在here关注CNN的一个例子。 以下是我准备CNN模型的代码：

model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(100, 100, 3)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.Flatten())
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(7)) # 7 outputs for 7 classes which are 1, 2, 3, ..., 7

这就是我训练模型的方法：

model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

history = model.fit(trainGenerator, epochs=10, 
                    validation_data=validationGenerator)

当trainGenerator有80个图像时&validationGenerator有20个图像，对于{}&loss如下图所示，来自一个时代

Epoch 1/10
3/3 [==============================] - 1s 736ms/step - loss: 1.8475 - accuracy: 0.2500 - val_loss: 2.4287 - val_accuracy: 0.5500

当trainGenerator获得9817张图像时&validationGenerator获得了2454张图像val_loss&loss变成NaN

Epoch 1/10
307/307 [==============================] - 20s 63ms/step - loss: nan - accuracy: 0.0090 - val_loss: nan - val_accuracy: 0.0000e+00

以trainGenerator为单位的批大小&validationGenertor在上述两种情况下都是32（默认值）

当我将图像导入trainGenerator时，我已重新缩放了图像&validationGenertor使用

trainDataGen=ImageDataGenerator(
    rescale=1./255,
    validation_split=0.2    
)

之后，我使用flow_from_dataframe创建trainGenerator，如下所示：

  trainGenerator = trainDataGen.flow_from_dataframe(
      dataframe=train_df,
      directory=trainingFilepath,
      x_col="filename",
      y_col="label",
      target_size=(100,100),
      class_mode="raw",
      subset="training"
  )

validationGenerator是使用上面的代码通过将子集替换为validation创建的

类似的question也被问及，但它不适用于我的情况，因为当列车图像数量增加时，问题仍然存在&；我使用sparce_categorical_crossentropy

1. 为什么我在{}中得到{}&val_accuracy是0吗
2. 我如何修复它，使其能够处理列车组中的更多图像

Answer 1

我要做的是使用分类交叉熵。在生成器中，将class_模式更改为“分类”。在model.compile中，使损失class='classifical\u交叉熵。不确定这是否能解决问题，但不会造成伤害。可能是当你使用更多的图片时，可能有一些Na 标签。检查您的datafame是否有Na