Я довольно новичок в tenorflow, поэтому я попытался использовать код из учебника , чтобы снабдить некоторые слои изображениями размера (944,944) и классами да / нет (1,0), чтобы увидеть, как онвыполняет, но я не смог заставить его работать.Последняя ошибка, которую я получаю: «Размерный размер должен быть равномерно делим на 57032704, но равен 3565440 для« Reshape_1 »с входными формами: [10,236,236,64], 2 и с входными тензорами, вычисленными как частичные формы: input 1 = [?, 57032704] ".
Я не знаю, произошла ли ошибка в результате какой-либо операции по изменению формы или потому, что я не могу накормить неврозов подобным образом.Код следующий:
import tensorflow as tf
import numpy as np
import os
# import cv2
from scipy import ndimage
import PIL
tf.logging.set_verbosity(tf.logging.INFO)
def define_model(features, labels, mode):
"""Model function for CNN."""
# Input Layer
input_layer = tf.reshape(features["x"], [-1,944, 944, 1])
# Convolutional Layer #1
conv1 = tf.layers.conv2d(
inputs=input_layer,
filters=32,
kernel_size=[16, 16],
padding="same",
activation=tf.nn.relu)
# Pooling Layer #1
pool1 = tf.layers.max_pooling2d(inputs=conv1, pool_size=[2, 2], strides=2)
# Convolutional Layer #2 and Pooling Layer #2
conv2 = tf.layers.conv2d(
inputs=pool1,
filters=64,
kernel_size=[16, 16],
padding="same",
activation=tf.nn.relu)
pool2 = tf.layers.max_pooling2d(inputs=conv2, pool_size=[2, 2], strides=2)
# Dense Layer
pool2_flat = tf.reshape(pool2, [-1,944*944*64])
dense = tf.layers.dense(inputs=pool2_flat, units=1024, activation=tf.nn.relu)
dropout = tf.layers.dropout(
inputs=dense, rate=0.4, training=mode == tf.estimator.ModeKeys.TRAIN)
# Logits Layer - raw predictions
logits = tf.layers.dense(inputs=dropout, units=10)
predictions = {
# Generate predictions (for PREDICT and EVAL mode)
"classes": tf.argmax(input=logits, axis=1),
# Add `softmax_tensor` to the graph. It is used for PREDICT and by the
# `logging_hook`.
"probabilities": tf.nn.softmax(logits, name="softmax_tensor")
}
if mode == tf.estimator.ModeKeys.PREDICT:
return tf.estimator.EstimatorSpec(mode=mode, predictions=predictions)
# Calculate Loss (for both TRAIN and EVAL modes)
loss = tf.losses.sparse_softmax_cross_entropy(labels=labels, logits=logits)
# Configure the Training Op (for TRAIN mode)
if mode == tf.estimator.ModeKeys.TRAIN:
optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.001)
train_op = optimizer.minimize(
loss=loss,
global_step=tf.train.get_global_step())
return tf.estimator.EstimatorSpec(mode=mode, loss=loss, train_op=train_op)
# Add evaluation metrics (for EVAL mode)
eval_metric_ops = {
"accuracy": tf.metrics.accuracy(
labels=labels, predictions=predictions["classes"])}
return tf.estimator.EstimatorSpec(
mode=mode, loss=loss, eval_metric_ops=eval_metric_ops)
if __name__ == '__main__':
# Load training and eval data
# mnist = tf.contrib.learn.datasets.load_dataset("mnist")
# train_data = mnist.train.images # Returns np.array
# train_labels = np.asarray(mnist.train.labels, dtype=np.int32)
train_data, train_labels = load_images("C:\\Users\\Heads\\Desktop\\BDManchas_Semi")
eval_data = train_data.copy()
eval_labels = train_labels.copy()
# Create the Estimator
classifier = tf.estimator.Estimator(
model_fn=define_model, model_dir="/tmp/convnet_model")
# Set up logging for predictions
tensors_to_log = {"probabilities": "softmax_tensor"}
logging_hook = tf.train.LoggingTensorHook(
tensors=tensors_to_log, every_n_iter=50)
# Train the model
train_input_fn = tf.estimator.inputs.numpy_input_fn(
x={"x": train_data},
y=train_labels,
batch_size=10,
num_epochs=None,
shuffle=True)
classifier.train(
input_fn=train_input_fn,
steps=20000,
hooks=[logging_hook])
# Evaluate the model and print results
eval_input_fn = tf.estimator.inputs.numpy_input_fn(
x={"x": eval_data},
y=eval_labels,
num_epochs=1,
shuffle=False)
eval_results = classifier.evaluate(input_fn=eval_input_fn)
print(eval_results)
--------------------------------- БОЛЬШЕ: ----------------------------------
Хорошо, теперь, когда я работаю над изменением формы, яУ меня другая ошибка, потеря во время тренировки - NaN.Я исследовал это ( здесь есть хороший ответ), но для каждой новой функции, которую я использую, есть другая ошибка.Я попытался изменить потерю с:
loss = tf.losses.sparse_softmax_cross_entropy(labels=labels, logits=logits)
на:
loss = tf.nn.sigmoid_cross_entropy_with_logits(labels=labels, logits=logits)
Но, похоже, также проблемы с изменением формы, ошибка говорит, что логиты и метки должны иметь одинаковыеshape ((10,10) vs (10,)), я пытался изменить форму логитов и меток, но всегда получаю разные ошибки (я думаю, что нет способа выровнять оба массива).
меткиопределены следующим образом:
list_of_classes = []
# if ... class == 1
list_of_classes.append(1)
#else
list_of_classes.append(0)
labels = np.array(list_of_classes).astype("int32")
Есть идеи о том, как использовать правильную потерю?