почему я получаю ошибку при переносе обучения?

Во-первых, очень хорошо написанный код. Вот некоторые из вещей, которые я заметил, просматривая код и tf, keras docs.

Я хотел бы спросить, какие у вас ярлыки, потому что вы знаете, что categoryorical_crossentropy ожидает ОДИН ярлык с горячим кодом. (Отметьте это). Итак, если ваши ярлыки являются целыми числами, используйте sparsecategoricalentropy.

Похожая проблема Была запись, в которой кто-то пытался классифицировать на 2 и использовать категориальную вместо бинарной кроссэнтропии. Если хотите посмотреть.

Ура, дайте мне знать, как дела!

PS: @gerry сделал очень хорошее замечание, и если метки являются одними горячим кодированием, используйте категориальную кроссентропию!

Код должен быть:

model = tf.keras.applications.DenseNet121(include_top=False, weights='imagenet, pooling='max', input_shape=(32,32,3))
base_outputs = model.layers[-1].output 
prefinal_outputs = layers.Dense(1024)(base_outputs)
final_outputs = layers.Dense(37)(prefinal_outputs)
new_model = keras.Model(inputs=model.input, outputs=final_outputs)
new_model.compile(Adam(), loss='categorical_crossentropy', metrics=['accuracy'])  

Также в будущем вам следует использовать model.fit. Model.fit теперь может работать с генераторами, а model.fit_generator будет обесценен в будущих версиях tensorflow. Я столкнулся с вашим набором данных и получил точные результаты примерно за 10 эпох. Вот еще несколько советов. Лучше всего использовать и регулируемую скорость обучения. Обратный вызов keras ReduceLROnPlateau упрощает это. Документация находится здесь. Настройте ее для отслеживания потери проверки. Мое использование показано ниже.

lr_adjust=tf.keras.callbacks.ReduceLROnPlateau( monitor="val_loss", factor=0.5, patience=1, verbose=1, mode="auto",
        min_delta=0.00001,  cooldown=0,  min_lr=0)

Также я рекомендую использовать обратный вызов ModelCheckpoint. Документация находится здесь. Настройте ее для отслеживания потерь при проверке, и она сохранит достигнутые веса самая низкая потеря проверки. Моя реализация показана ниже.

sav_loc=r'c:\Temp' # set this to the path where you want to save the weights
checkpoint=tf.keras.callbacks.ModelCheckpoint(filepath=save_loc, monitor='val_loss', verbose=1, save_best_only=True,
        save_weights_only=True, mode='auto', save_freq='epoch', options=None)
callbacks=[checkpoint, lr_adjust]

В model.fit включить обратные вызовы = обратные вызовы. По завершении обучения вы хотите загрузить эти сохраненные веса в модель, а затем сохранить модель. Вы можете использовать сохраненную модель, чтобы делать прогнозы. Код ниже.

model.load_weights(save_loc)  
model.save(save_loc)