我在使用Keras中的fit_generator时还是新手，所以我尝试编写一个简单的脚本来帮助我理解它的工作原理。
X = np.array([[1,2],[10,3],[2,4],[20,5],[30,1],[3,5],[4,6],[7,4],[5,10],[1,7]])Y = np.array([[2,3],[30,13],[8,6],[100,25],[30,31],[15,8],[24,10],[28,11],[50,15],[7,8]])def generator(feat,labels): i=0 while (True): yield feat[i],labels[i] i+=1model_fnn = tf.keras.models.Sequential()model_fnn.add(tf.keras.layers.Dense(50, input_dim=X.shape[1], activation=tf.nn.relu))model_fnn.add(tf.keras.layers.Dense(Y.shape[1], activation=tf.keras.activations.linear))nb_epoch = 3000model_fnn.compile(optimizer='adam', loss='mean_squared_error', metrics=['accuracy'])model_fnn.fit_generator(generator(X,Y), steps_per_epoch=10, epochs=nb_epoch, verbose=0)但它给我报了错误：
ValueError: Error when checking input: expected dense_2_input to have shape (2,) but got array with shape (1,)谁能帮帮我？谢谢！
回答：
这个错误似乎是因为你需要将每个输入/标签包装成一个Numpy数组，这将是训练批次。这个生成器的代码应该是这样的：
def generator(feat,labels): i=0 while (True): yield np.array([feat[i]]), np.array([labels[i]]) i+=1这样你的错误应该会解决。你将使用批量大小为1进行训练，因为传递给训练的每个数组只包含一个对象。
但是，为了使用带有yield的生成器进行训练，你需要确保循环不会崩溃，因为它是一个无限循环，而你没有无限的数据。这可以通过使用itertools.cycle来实现：
import itertoolsdef generator(feat,labels): pairs = [(x, y) for x in feat for y in labels] cycle_pairs = itertools.cycle(pairs) while (True): f, p = next(cycle_pairs) return np.array([f]), np.array([p])此外，为了进一步使用yield生成器，你可以给函数添加一个参数来指定批量大小（正如PyGirl的评论中所述）。这看起来应该像这样：
def generator(feat, labels, batch_size): pairs = [(x, y) for x in feat for y in labels] cycle_pairs = itertools.cycle(pairs) while (True): x = [] y = [] for _ in range(batch_size): f, p = next(cycle_pairs) x.append(f) y.append(p) yield np.array(x), np.array(y)这意味着，在每一步中，生成器将yield一个包含batch_size个元素的Numpy数组以供训练。
为了更好地理解如何在Keras中使用fit_generator进行训练，我还建议阅读一些关于Keras Sequence Util的内容，使用它比生成器更安全。
希望这对你有帮助！
