本文旨在解决在使用 Keras 框架时，由于 keras.utils.np_utils 模块的 to_categorical 函数引发的 ModuleNotFoundError 错误。文章将详细介绍该错误的产生原因，并提供清晰、简洁的解决方案，帮助开发者顺利完成 Keras 项目的开发和部署。
在使用 Keras 进行深度学习模型开发时，to_categorical 函数常用于将类别标签转换为 one-hot 编码。然而，在较新版本的 Keras 中，该函数的位置发生了变化，导致直接从 keras.utils.np_utils 导入时会引发 ModuleNotFoundError 错误。
问题原因
该错误是由于 Keras 库的组织结构发生了变化。在早期的 Keras 版本中，to_categorical 函数位于 keras.utils.np_utils 模块下。但在更新的版本中，该函数被移动到了 keras.utils 模块下。
解决方案
要解决这个问题，只需更改导入语句即可。将以下代码：
from keras.utils.np_utils import to_categorical
替换为：
from keras.utils import to_categorical
示例
假设你原来的代码如下：
import numpy as np
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense, Dropout
from keras.optimizers import RMSprop
from keras.utils.np_utils import to_categorical # 错误的导入方式
# 加载 MNIST 数据集
(x_train, y_train), (x_test, y_test) = mnist.load_data()
# 预处理数据
x_train = x_train.reshape(60000, 784).astype('float32') / 255
x_test = x_test.reshape(10000, 784).astype('float32') / 255
y_train = to_categorical(y_train, num_classes=10)
y_test = to_categorical(y_test, num_classes=10)
# 构建模型
model = Sequential()
model.add(Dense(512, activation='relu', input_shape=(784,)))
model.add(Dropout(0.2))
model.add(Dense(512, activation='relu'))
model.add(Dropout(0.2))
model.add(Dense(10, activation='softmax'))
# 编译模型
model.compile(loss='categorical_crossentropy',
optimizer=RMSprop(),
metrics=['accuracy'])
# 训练模型
history = model.fit(x_train, y_train,
batch_size=128,
epochs=10,
verbose=1,
validation_data=(x_test, y_test))
# 评估模型
score = model.evaluate(x_test, y_test, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])将 from keras.utils.np_utils import to_categorical 替换为 from keras.utils import to_categorical 后，代码应如下所示：
import numpy as np
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense, Dropout
from keras.optimizers import RMSprop
from keras.utils import to_categorical # 正确的导入方式
# 加载 MNIST 数据集
(x_train, y_train), (x_test, y_test) = mnist.load_data()
# 预处理数据
x_train = x_train.reshape(60000, 784).astype('float32') / 255
x_test = x_test.reshape(10000, 784).astype('float32') / 255
y_train = to_categorical(y_train, num_classes=10)
y_test = to_categorical(y_test, num_classes=10)
# 构建模型
model = Sequential()
model.add(Dense(512, activation='relu', input_shape=(784,)))
model.add(Dropout(0.2))
model.add(Dense(512, activation='relu'))
model.add(Dropout(0.2))
model.add(Dense(10, activation='softmax'))
# 编译模型
model.compile(loss='categorical_crossentropy',
optimizer=RMSprop(),
metrics=['accuracy'])
# 训练模型
history = model.fit(x_train, y_train,
batch_size=128,
epochs=10,
verbose=1,
validation_data=(x_test, y_test))
# 评估模型
score = model.evaluate(x_test, y_test, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])注意事项
- 确保你的 Keras 版本是最新的。可以使用 pip install --upgrade keras 命令更新 Keras。
- 在修改导入语句后，务必保存并重新运行你的代码。
- 如果问题仍然存在，请检查你的 Keras 安装是否正确，并确保所有依赖项都已安装。
总结
通过将 to_categorical 函数的导入路径从 keras.utils.np_utils 更改为 keras.utils，可以轻松解决 ModuleNotFoundError 错误。在进行 Keras 项目开发时，了解库的组织结构变化非常重要，这有助于避免类似的问题。希望本文能够帮助你解决在使用 Keras 中的 to_categorical 函数时遇到的问题。
