当我尝试使用三个文件夹的数据集运行这段代码时，遇到了这个问题。之前，这个代码在数据集文件夹中只有两个文件夹时运行得非常完美，一个名为normal，另一个名为covid。但在这种情况下，我添加了另一个名为pneumonia的文件夹，使其成为三类图像分类器。我是机器学习的新手，所以我调查了很多关于如何修复这个问题的方法，但每个解决方案都不同，而且代码也不同。我尝试了它们，但它们不起作用，这就是我请求帮助的原因。
这段代码不属于我，它是Adrian Rosebrock的代码，所有的功劳归于他。这是关于将X射线图像分类为COVID或正常病例的代码，但改进这个代码的想法是添加一个新类别来分类有正常（非COVID）肺炎的图像。这就是我为什么在数据集中添加了一个新文件夹。希望你能帮到我，谢谢！
# 使用方法python train.py --dataset dataset# 导入必要的包from sklearn.preprocessing import LabelBinarizerfrom sklearn.model_selection import train_test_splitfrom sklearn.metrics import classification_reportfrom sklearn.metrics import confusion_matrixfrom imutils import pathsimport numpy as npimport argparseimport cv2import os# 构建参数解析器并解析参数ap = argparse.ArgumentParser()ap.add_argument("-d", "--dataset", required=True, help="输入数据集的路径")ap.add_argument("-p", "--plot", type=str, default="plot.png", help="输出损失/准确率图的路径")ap.add_argument("-m", "--model", type=str, default="covid19.model", help="输出损失/准确率图的路径")args = vars(ap.parse_args())# 初始化初始学习率、训练的轮数、# 和批量大小INIT_LR = 1e-3EPOCHS = 1BS = 8# 获取数据集目录中图像的列表，然后初始化# 数据（即图像）和类别图像列表print("[INFO] 正在加载图像...")imagePaths = list(paths.list_images(args["dataset"]))data = []labels = []# 遍历图像路径for imagePath in imagePaths: # 从文件名中提取类别标签 label = imagePath.split(os.path.sep)[-2] # 加载图像，交换颜色通道，并调整大小为固定 # 224x224像素，同时忽略长宽比 image = cv2.imread(imagePath) image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) image = cv2.resize(image,(224, 224)) # 分别更新数据和标签列表 data.append(image) labels.append(label)# 将数据和标签转换为NumPy数组，同时将像素# 强度缩放到[0, 255]范围data = np.array(data) / 255.0labels = np.array(labels)# 对标签执行one-hot编码lb = LabelBinarizer()labels = lb.fit_transform(labels)labels = to_categorical(labels)# 使用80%的数据进行训练，剩余20%用于测试，将数据分成训练和测试集(trainX, testX, trainY, testY) = train_test_split(data, labels, test_size=0.20, stratify=labels, random_state=42)这是错误消息：
[INFO] 正在加载图像...Traceback (most recent call last): File "train_covid19.py", line 77, in <module> test_size=0.20, stratify=labels, random_state=42) File "C:\Users\KQ\anaconda3\lib\site-packages\sklearn\model_selection\_split.py", line 2143, in train_test_split train, test = next(cv.split(X=arrays[0], y=stratify)) File "C:\Users\KQ\anaconda3\lib\site-packages\sklearn\model_selection\_split.py", line 1737, in split y = check_array(y, ensure_2d=False, dtype=None) File "C:\Users\KQ\anaconda3\lib\site-packages\sklearn\utils\validation.py", line 574, in check_array % (array.ndim, estimator_name))ValueError: 发现维度为3的数组。估计器期望<=2.回答：
我认为你不需要同时使用LabelBinarizer和to_categorical。它们做的是同样的事情，所以你只需要其中一个。尝试删除对to_categorical的调用。
lb = LabelBinarizer()labels = lb.fit_transform(labels)labels = to_categorical(labels) # 删除这行代码。你还需要更新模型中的类别数量。
# 将大小从2改为3.headModel = Dense(3, activation="softmax")(headModel)为了避免每次添加或删除类别时都需要更改这个，你可以计算唯一标签的数量。
n_labels = len(set(labels))headModel = Dense(n_labels, activation="softmax")(headModel)更新
还要注意的是，to_categorical只能在整数标签上工作。这使它更像OneHotEncoder而不是LabelBinarizer。
这是一个调用所有内容的示例。
labels = [0, 1, 0, 2] lb = LabelBinarizer() binarized = lb.fit_transform(labels) binarized # array([[1, 0, 0],# [0, 1, 0],# [1, 0, 0],# [0, 0, 1]])to_categorical(labels) # array([[1., 0., 0.],# [0., 1., 0.],# [1., 0., 0.],# [0., 0., 1.]], dtype=float32)to_categorical(binarized) # array([[[0., 1.],# [1., 0.],# [1., 0.]],# # [[1., 0.],# [0., 1.],# [1., 0.]],# # [[0., 1.],# [1., 0.],# [1., 0.]],# # [[1., 0.],# [1., 0.],# [0., 1.]]], dtype=float32)请注意，对于标签的三维输出，因为它试图对已经进行过one-hot编码的数据的三个部分进行one-hot编码，增加了一个额外的维度，这是train_test_split无法处理的。
这就是你得到ValueError: 发现维度为3的数组。的原因
