用tf.keras.sequential搭建cnn最省事，但需注意输入必须为4d张量（含batch维），数据加载时要匹配imagedatagenerator的class_mode与目录结构，训练前必须compile()，且归一化方式不可混用。
用 tf.keras.Sequential 搭建 CNN 最省事，但得注意层顺序和输入形状
直接上 tf.keras.Sequential 是最快路径，但很多人卡在第一层就报错：ValueError: Input 0 is incompatible with layer conv2d: expected ndim=4, found ndim=3。这是因为 Conv2D 默认要求输入是 (batch, height, width, channels)，而你读进来的 NumPy 数组可能只有 (height, width, channels) 或 (height, width)。
实操建议：
- 用
tf.keras.preprocessing.image.ImageDataGenerator加载数据时，它会自动补 batch 维度，且默认输出 shape 为(None, 224, 224, 3)（取决于target_size） - 如果手动喂
np.array，务必用np.expand_dims(img, axis=0)加 batch 维；灰度图要显式加通道：img = np.expand_dims(img, axis=-1) -
Conv2D后接MaxPooling2D再接Flatten是经典组合，但Flatten前必须确保前面层输出是 4D —— 可用model.summary()检查每层 output shape
训练前必须调用 model.compile()，否则 fit() 会静默失败
很多新手写完模型直接 model.fit()，结果报错 AttributeError: 'Model' object has no attribute 'optimizer'，或者训练 loss 不下降、acc 停在 0.1 不动。根本原因是忘了编译 —— compile() 不只是配 optimizer，它还绑定 loss 计算逻辑和 metric 更新方式。
实操建议：
- 分类任务优先用
loss='categorical_crossentropy'（标签需 one-hot 编码）或loss='sparse_categorical_crossentropy'（标签是整数索引，更省内存） - 优化器选
tf.keras.optimizers.Adam(learning_rate=1e-3)起手，比 SGD 更稳；不要用默认的0.001学习率硬套所有场景，图像分类常需降到1e-4防过拟合 - 务必加
metrics=['accuracy']，否则fit()输出里看不到 acc，容易误判模型没学进去
ImageDataGenerator 的 rescale 和 preprocessing_function 别混用
常见错误是同时设 rescale=1./255 和 preprocessing_function=tf.keras.applications.mobilenet_v2.preprocess_input，结果像素值被缩放两次，模型完全学偏。这两个都是做归一化，但目的和范围不同。
Python 3.14.2是Python编程语言在2025年12月5日发布的稳定版本，属于3.14系列的第二个维护更新。该版本包含了18项修复，重点解决了多进程、数据类及正则表达式等模块的回归问题，并修复了CVE-2025-12084等安全漏洞。此版本标志着自由线程模式（移除GIL）正式获得官方支持，是Python发展的重要里程碑。
实操建议：
- 用官方预训练 backbone（如
MobileNetV2）时，必须用对应preprocess_input—— 它不只是除 255，还会按 ImageNet 均值做中心化（例如减去[123.68, 116.779, 103.939]） - 自己从头训小网络，用
rescale=1./255就够了；若用rescale，就别再手动除 255 或减均值 -
validation_split和subset='training'配合能省掉手动切分，但要注意：flow_from_directory下，同一目录不能同时用于 train/val，得靠子目录结构或生成器参数控制
验证集准确率上不去？先检查 class_mode 和标签路径结构
训练 acc 到 95% 但 val acc 卡在 30%，大概率不是模型问题，而是数据加载出错。最隐蔽的是 ImageDataGenerator.flow_from_directory() 对目录结构和 class_mode 的强耦合。
实操建议：
- 目录必须是两级结构：
data/train/cat/xxx.jpg、data/train/dog/yyy.jpg；如果平铺在train/下，flow_from_directory会把整个文件夹当一个类 -
class_mode='categorical'（默认）要求每个子目录是一个类，输出 one-hot；class_mode='sparse'输出整数索引，对应sparse_categorical_crossentropy - 用
generator.class_indices打印映射关系，确认'cat' → 0、'dog' → 1是否符合预期；若顺序反了，评估指标会全乱
卷积核尺寸、padding 方式、池化步长这些参数调优空间很大，但一开始先把数据流跑通 —— 很多“模型不收敛”问题，根源都在 ImageDataGenerator 的路径或模式设错了。
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！
