Возникли проблемы с подачей данных в капсулу net через генератор изображений

Question

Моя проблема:
У меня есть программа, которая реализует капсульную сеть для классификации изображений. Изображения делятся на три категории, так что это задача классификации в трех направлениях. Я использую генераторы данных для подачи данных в модель капсулы net, но она выдает ошибку, приведенную ниже. Я застрял с этой ошибкой в ​​течение долгого времени, я нашел некоторые решения для этих типов проблем, но все они связаны с использованием метода fit(), принадлежащего последовательной модели API keras. Мое понимание использования метода подгонки говорит мне, что мне придется передавать мои данные в некотором формате, чтобы удовлетворить аргументы x и y метода подгонки. Я попытался составить список всех изображений, которые у меня были, прочитав их, используя keras.preprocessing.image.load_img() в список, но я быстро обнаружил, что не смогу выполнить задачу sh таким образом, так как столкнулся с ошибками памяти при выполнении список. Если бы кто-то мог помочь мне с этим, я был бы чрезвычайно признателен.

Мой набор данных:
Две папки, одна для обучающих изображений и одна для тестирования изображений.
Далее обе они разделены на три подпапки каждая, а именно Тип 1, Тип 2 и Тип 3.

Я получаю ошибку:

ValueError: Ошибка при проверке ввода модели: список Numpy массивов, которые вы передаете своей модели, не соответствует ожидаемому размеру. Ожидается увидеть 2 массива (ов), но вместо этого получит следующий список из 1 массива: [массив ([[[[0,36862746, 0,25882354, 0,35686275],
[0,37254903, 0,24705884, 0,3372549],
[0,28235295, 0,16862746, 0,25490198],
..., [0,87843144, 0,7333922, 0,9333934, 0,9333922, 0,9 ..

Неполный код:

def CapsNet(input_shape, n_class, routings):
    x = layers.Input(shape=input_shape)

    conv1 = layers.Conv2D(filters=256, kernel_size=9, strides=1, padding='valid', activation='relu', name='conv1')(x)

    # Layer 2: Conv2D layer with `squash` activation, then reshape to [None, num_capsule, dim_capsule]
    primarycaps = PrimaryCap(conv1, dim_capsule=8, n_channels=32, kernel_size=9, strides=2, padding='valid')

    # Layer 3: Capsule layer. Routing algorithm works here.
    digitcaps = CapsuleLayer(num_capsule=n_class, dim_capsule=16, routings=routings,
                             name='digitcaps')(primarycaps)

    # Layer 4: This is an auxiliary layer to replace each capsule with its length. Just to match the true label's shape.
    out_caps = Length(name='capsnet')(digitcaps)

    # Decoder network.
    y = layers.Input(shape=(n_class,))
    masked_by_y = Mask()([digitcaps, y])  # The true label is used to mask the output of capsule layer. For training
    masked = Mask()(digitcaps)  # Mask using the capsule with maximal length. For prediction

    # Shared Decoder model in training and prediction
    decoder = models.Sequential(name='decoder')
    decoder.add(layers.Dense(512, activation='relu', input_dim=16 * n_class))
    decoder.add(layers.Dense(1024, activation='relu'))
    decoder.add(layers.Dense(np.prod(input_shape), activation='sigmoid'))
    decoder.add(layers.Reshape(target_shape=input_shape, name='out_recon'))

    # Models for training and evaluation (prediction)
    train_model = models.Model([x, y], [out_caps, decoder(masked_by_y)])
    eval_model = models.Model(x, [out_caps, decoder(masked)])

    # manipulate model
    noise = layers.Input(shape=(n_class, 16))
    noised_digitcaps = layers.Add()([digitcaps, noise])
    masked_noised_y = Mask()([noised_digitcaps, y])
    manipulate_model = models.Model([x, y, noise], decoder(masked_noised_y))
    return train_model, eval_model, manipulate_model


def margin_loss(y_true, y_pred):
    L = y_true * K.square(K.maximum(0., 0.9 - y_pred)) + \
        0.5 * (1 - y_true) * K.square(K.maximum(0., y_pred - 0.1))
    return K.mean(K.sum(L, 1))


train_data_directory = "*restOfThePath*/train_roi_0.15"
test_data_dir = "*restOfThePath*/test_roi_0.15"

train_datagen = ImageDataGenerator(rescale=1. / 255)
test_datagen = ImageDataGenerator(rescale=1. / 255)
train_model, eval_model, manipulate_model = CapsNet(input_shape=(32, 32, 3), n_class=3, routings=3)
# compile the model
train_model.compile(optimizer=optimizers.Adam(lr=0.001), loss=[margin_loss, 'mse'],  # loss_weights=[1., 0.392]
                    metrics={'capsnet': 'accuracy'})
train_model.summary()

train_generator = train_datagen.flow_from_directory(train_data_directory, target_size=(32, 32), batch_size=32,
                                                    class_mode='categorical', shuffle=True)
test_generator = test_datagen.flow_from_directory(test_data_dir, target_size=(32, 32), batch_size=32,
                                                  class_mode='categorical', shuffle=True)

train_model.fit_generator(train_generator, validation_data=test_generator,
                          validation_steps=15,  # validation data size//batch size, placeholder values given
                          epochs=100,  # placeholder values given,
                          steps_per_epoch=45,  # train data size // batch size, placeholder values given
                          verbose=1)