python深度学习一书中，代码警告汇总

请添加图片描述

出现KeyError: ‘accuracy’、KeyError: ‘acc’、KeyError: 'val_acc’等报错信息，是由于keras库（一个开源人工神经网络库，用于构建和训练深度学习模型的高级 API）版本不同所造成的；
train_loss = history.history[‘accuracy’]
valid_loss = history.history[‘val_accuracy’]

为keras库老版本中的参数不是accuracy，而是acc，将参数accuracy替换为acc，修改过的代码如下：
train_loss = history.history[‘acc’]
valid_loss = history.history[‘val_acc’]

p107

代码清单5-6 配置模型用于训练

model.compile(
	loss='binary_crossentropy', 			
	optimizer=optimizers.RMSprop(lr=1e-4),
 	metrics=['acc']
 )

这个警告是由于使用了lr参数而不是learning_rate参数，lr参数已经过时。建议使用learning_rate参数来设置学习率。’

p109

代码清单5-8 利用批量生成器拟合模型

history = model.fit_gengerator(
    train_generator,  # 第一个参数是一个python 生成器
    steps_per_epoch=100, # 抽取 100个批量
    epochs=30,  # 迭代次数
    validation_data=validation_generator,
    validation_steps=50, # 从验证生成器中抽取50个批次用于评估
)

此警告:130: UserWarning: Model.fit_generator is deprecated and will be removed in a future version. Please use Model.fit, which supports generators.
history = model.fit_generator(

代码中的model.fit_generator方法即将在未来版本中被移除，要使用model.fit方法来替代。

p112

代码清单5-12 显示几个随机增强后的训练图像

# 显示几个随机增强后的训练图像
from keras.preprocessing import image

fnames = [os.path.join(train_cats_dir, fname) for fname in os.listdir(train_cats_dir)]
img_path = fnames[3]  # 选择一张图像进行增强
img = image.load_img(img_path, target_size=(150, 150))# 读取图像并调整大小
x = image.img_to_array(img)  # 将其转换为形状（150, 150, 3)的 Numpy数组
x = x.reshape((1,)+x.shape)  # 将其转换为形状（1,150, 150, 3)的 Numpy数组
i =0
for batch in datagen.flow(x, batch_size=1):
    plt.figure(i)
    imgplot = plt.imshow(image.array_to_img(batch[0]))
    i+=1
    if i%4 == 0:
        break
plt.show()

AttributeError: module ‘keras.preprocessing.image’ has no attribute ‘load_img’

原因: keras版本更新

即: 将from keras.preprocessing import image 换成 from keras.utils import image_utils
使用img = image_utils.load_img(img_path, target_size=(150, 150))

可换成下面的代码

from keras.utils import image_utils

fnames = [os.path.join(train_cats_dir, fname) for fname in os.listdir(train_cats_dir)]

img_path = fnames[3]  # 选择一张图像进行增强

img = image_utils.load_img(img_path, target_size=(150, 150))# 读取图像并调整大小

x = image_utils.img_to_array(img)  # 将其转换为形状（150, 150, 3)的 Numpy数组

x = x.reshape((1,)+x.shape)  # 将其转换为形状（1,150, 150, 3)的 Numpy数组

i =0
for batch in datagen.flow(x, batch_size=1):
    plt.figure(i)
    imgplot = plt.imshow(image_utils.array_to_img(batch[0]))
    i+=1
    if i%4 == 0:
        break
plt.show()

参考链接：
已解决module ‘keras.preprocessing.image‘ has no attribute ‘load_img‘

P114

history = model.fit_generator(
      train_generator,
      steps_per_epoch=100,
      epochs=100,
      validation_data=validation_generator,
      validation_steps=50)

WARNING:tensorflow:Your input ran out of data; interrupting training. Make sure that your dataset or generator can generate at least steps_per_epoch * epochs batches (in this case, 50 batches). You may need to use the repeat() function when building your dataset.

翻译：您的输入数据不足；中断训练。确保您的数据集或生成器至少可以生成“steps_per_epoch*epochs”批。在构建数据集时，可能需要使用repeat（）函数。

报错产生原因：
我们训练图像有2000张，验证图像1000张，和1000张测试图像。

steps_per_epoch=100，batch_size=32，如此数据应该是3200张，很明显输入训练数据不够。
validation_steps=50，batch_size=32，如此数据应该是1600张，很明显验证数据不够。

len(train_data)/batch_size = steps_per_epoch
因此，改为steps_per_epoch=2000/32≈63，validation_steps=1000/32≈32。

history = model.fit(
    train_generator,  # 第一个参数是一个python 生成器
    steps_per_epoch=63, # 抽取 63个批量  
    epochs=30,  # 迭代次数
    validation_data=validation_generator,
    validation_steps=32, # 从验证生成器中抽取50个批次用于评估  
)

参考链接:
Your input ran out of data； interrupting training. Make sure that your dataset or generator can …