我正在尝试构建一个图像分类模型，使用ImageDataGenerator()。看起来模型的训练和表现都不佳。训练损失一直保持在15左右，准确率仅有10%，验证结果也大致相同。
为了看看会发生什么，我尝试在不使用ImageDataGenerator()的情况下进行训练，并以类似的方式设置数据。结果在训练、验证和测试中的表现要好得多。训练损失为0.71，准确率为75%，验证损失为0.8，准确率为72%。
我需要解决使用数据生成器的这个模型，因为我将要处理一个更大的数据集，它无法一次性装入内存中。
所以，我想问的问题是，我在使用ImageDataGenerator()时做错了什么，导致它的表现如此糟糕？我怎样才能改善结果？
在设置文件时（在所有的训练、测试、验证文件夹中），每个类别都有自己的文件夹，图像就存放在这些文件夹中。
这是代码：
import tensorflow as tffrom tensorflow.keras.preprocessing.image import ImageDataGeneratorimport picklefrom tensorflow.keras.models import Sequentialfrom tensorflow.keras.layers import Dense, Activation, Flatten, Conv2D, MaxPooling2D, Dropoutdata_gen = ImageDataGenerator()IMG_SIZE = 100train_it = data_gen.flow_from_directory('D:/.../Train/', class_mode='sparse', target_size=(IMG_SIZE, IMG_SIZE),color_mode='grayscale', shuffle=True,batch_size=32)val_it = data_gen.flow_from_directory('D:/.../Validation/', class_mode='sparse', target_size=(IMG_SIZE, IMG_SIZE),color_mode='grayscale', shuffle=True,batch_size=32)IMAGE_SIZE = [100, 100]model=Sequential()model.add(Conv2D(32,(3,3), input_shape=[*IMAGE_SIZE, 1]))model.add(Activation('relu'))model.add(MaxPooling2D(pool_size=(2,2)))model.add(Dropout(0.5))model.add(Conv2D(32,(3,3)))model.add(Activation('relu'))model.add(MaxPooling2D(pool_size=(2,2)))model.add(Dropout(0.5))model.add(Conv2D(32,(3,3)))model.add(Activation('relu'))model.add(MaxPooling2D(pool_size=(2,2)))model.add(Dropout(0.5))model.add(Flatten())model.add(Dense(len(train_it.class_indices), activation='softmax'))model.compile(loss='sparse_categorical_crossentropy', optimizer='adam', metrics=['accuracy'])model.fit_generator(train_it, epochs=20, validation_data=val_it )这是不使用ImageDataGenerator()的代码：设置数据，使用OpenCV
DATADIR='D:\...\Train'CATEGORIES = pickle.load(open("CATEGORIES.p" , "rb"))print(len(CATEGORIES))IMG_SIZE = 100training_data=[]def create_training_data(): for category in CATEGORIES: path = os.path.join(DATADIR,category) class_num = CATEGORIES.index(category) for img in os.listdir(path): try: img_array = cv2.imread(os.path.join(path,img),cv2.IMREAD_GRAYSCALE) new_array = cv2.resize(img_array, (IMG_SIZE, IMG_SIZE)) training_data.append([new_array, class_num]) except: print(category) print(img)create_training_data()random.shuffle(training_data)X=[]y=[]for features, label in training_data: X.append(features) y.append(label)X=np.array(X).reshape(-1,IMG_SIZE, IMG_SIZE, 1)X=X/255.0模型设置：
model=Sequential()model.add(Conv2D(32,(3,3), input_shape=[*IMAGE_SIZE, 1]))model.add(Activation('relu'))model.add(MaxPooling2D(pool_size=(2,2)))model.add(Dropout(0.5))model.add(Conv2D(32,(3,3)))model.add(Activation('relu'))model.add(MaxPooling2D(pool_size=(2,2)))model.add(Dropout(0.5))model.add(Conv2D(32,(3,3)))model.add(Activation('relu'))model.add(MaxPooling2D(pool_size=(2,2)))model.add(Dropout(0.5))model.add(Flatten())model.add(Dense(len(CATEGORIES), activation='softmax'))model.compile(loss='sparse_categorical_crossentropy', optimizer='adam', metrics=['accuracy'])model.fit(X,y, epochs=20, batch_size=32, validation_split=0.1)回答：
@***,
为了社区的利益，在评论中提到了您提到的解决此问题的解决方案。
问题的原因是输入数据没有通过将每个像素值除以255来进行归一化。这对训练有影响，原因如下所述：
- 它将像素值从整数转换为浮点数，范围在0.0到1.0之间，其中0.0表示0（0x00），1.0表示255（0xFF）。卷积网络在处理浮点值时比处理整数值表现更好，通过将值归一化到0-1范围内，可以减少计算量。
- 归一化可以帮助您消除图像中由光线和阴影引起的失真。
