最常见原因是目录结构不符合「根目录/类别名/图片文件」三层约定，且文件后缀大小写敏感；需确保子目录非空、路径正确、image_size为二元组、batch_size为正整数，并用ds.class_names获取类别数以正确转one-hot。
image_dataset_from_directory 为什么找不到图片
最常见原因是目录结构不符合 tf.keras.utils.image_dataset_from_directory 的硬性约定：它**必须**是「根目录/类别名/图片文件」三层结构。比如：data/train/cats/cat1.jpg、data/train/dogs/dog1.jpg。如果图片直接放在 data/train/ 下，函数会静默跳过，不报错也不加载任何数据。
另一个隐蔽坑是文件后缀：默认只认 .jpg、.jpeg、.png、.bmp、.ppm、.tif、.tiff，大小写敏感。遇到 .JPG 或 .webp 会忽略。
- 检查路径是否为绝对路径或相对于当前工作目录的正确相对路径（可用
os.getcwd()确认） - 用
os.listdir("your_path")手动验证子目录名是否就是你想作为 label 的类别名 - 确保子目录非空，且至少含一张支持格式的图片
batch_size 和 image_size 参数怎么设才不报错
image_size 必须是二元整数元组，如 (224, 224)，不能是单个数字或列表；batch_size 必须为正整数。但真正容易出错的是两者配合——如果某张图片原始尺寸小于 image_size，默认行为是先 resize 再 crop，但若长宽比差异过大，可能裁掉关键区域；更严重的是，当 batch_size 大于数据集总样本数时，image_dataset_from_directory 不会报错，而是返回一个 batch 数为 1 的 dataset，后续训练中 model.fit() 可能因 shape 不匹配而崩溃。
- 建议先用
shuffle=False加载一小批（batch_size=1），然后next(iter(ds))[0].shape查看实际输出 shape - 若需保持长宽比，应设
interpolation="bilinear"并搭配crop_to_aspect_ratio=True（TF 2.12+） - 训练前务必调用
ds.cardinality().numpy()检查总 batch 数是否合理
label 怎么变成 one-hot 而不是整数索引
image_dataset_from_directory 默认把子目录名映射为整数 label（cats→0, dogs→1），不会自动转 one-hot。如果你的模型最后一层是 softmax + sparse_categorical_crossentropy，这个整数 label 完全够用；但若用 categorical_crossentropy，就必须手动转换。
不要在 dataset 上用 map(lambda x, y: (x, tf.one_hot(y, depth=2))) 这种写法——它只对当前 batch 生效，且 depth 需硬编码，易出错。正确做法是用 class_names 提前获取类别数：
ds = tf.keras.utils.image_dataset_from_directory("data/train")
class_names = ds.class_names # ['cats', 'dogs']
num_classes = len(class_names)
<p>ds = ds.map(lambda x, y: (x, tf.one_hot(y, depth=num_classes)))</p>
注意：ds.class_names 是按子目录字典序排序的，不是创建顺序，所以别依赖目录创建时间来推断 label 对应关系。
验证集和训练集怎么分开又共享预处理逻辑
很多人分别调用两次 image_dataset_from_directory 加载 train/val，再各自做 map 归一化，结果发现 val 数据没被归一化——因为忘了对 val dataset 也调同样的 map。更糟的是，如果用了 tf.image.random_* 增强，误加到 val 上就彻底破坏验证意义。
- 训练集增强 + 归一化：用
tf.image.random_flip_left_right、tf.image.random_brightness等，且必须放在map中 - 验证集只做确定性变换：仅
tf.cast(x/255.0, tf.float32)或固定 resize，禁用所有random_* - 推荐封装成两个独立函数，避免混用：
def preprocess_train(x, y): ...和def preprocess_val(x, y): ...
另外，validation_split 参数只能用于单个目录内划分，不适用于已分好 train/val 目录的情况；此时必须手动指定两个路径，别指望靠参数偷懒。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
