Увеличение данных с использованием методов ImageAugmentation и ImagePreprocessing в TFLearn - Ошибка

Question

Я построил DNN для классификации 5 классов изображений, используя тензор потока на стороне сервера.Я использовал ImageAugmentation и ImagePreprocessing методы в tflearn .Но когда я запускаю этот код, я получаю следующую ошибку:

Файл "", строка 1, в файле запуска ('D: / Мои проекты / FinalProject_Vr_02 / cnn_edited_img_da.py', wdir = 'D: / Мои проекты / FinalProject_Vr_02 ')

Файл "C: \ Users \ Asus \ Anaconda3 \ lib \ site-packages \ spyder_kernels \ customize \ spydercustomize.py", строка 704, в исполняемом файле исполняемого файла (имя файла, пространство имен)

Файл "C: \ Users \ Asus \ Anaconda3 \ lib \ site-packages \ spyder_kernels \ customize \ spydercustomize.py", строка 108, в execfile exec (компилировать (f.read (), имя файла,'exec'), пространство имен)

Файл "D: / Мои проекты / FinalProject_Vr_02 / cnn_edited_img_da.py", строка 57, в файле импорта tflearn

Файл "C: \ Users \ Asus \ Anaconda3\ lib \ site-packages \ tflearn__init __. py ", строка 4, из.config импорта

Файл "C: \ Users \ Asus \ Anaconda3 \ lib \ site-packages \ tflearn \ config.py", строка 3, в тензор потока импорта как tf

Файл "C:\ Users \ Asus \ Anaconda3 \ lib \ site-packages \ tenorflow__init __. Py ", строка 36, из файла tenorflow._api.v1 импорт распространять

ImportError: невозможно импортировать имя 'распространять'

Как я могу исправить эту ошибку?

import cv2                
import numpy as np     
import os                
from random import shuffle
from tqdm import tqdm  

TRAIN_DIR = 'D:\\My Projects\\Dataset\\dataset5_for_testing\\train'
TEST_DIR = 'D:\\My Projects\\Dataset\\dataset5_for_testing\\test'
IMG_SIZE = 50
LR = 1e-3

MODEL_NAME = 'snakes-{}-{}.model'.format(LR, '2conv-basic')

def label_img(img):
    print("\nimg inside label_img",img)
    print("\n",img.split('.')[-2])
    temp_name= img.split('.')[-2]
    print("\n",temp_name[:1])
    temp_name=temp_name[:1]
    word_label = temp_name


    if word_label == 'A': return [0,0,0,0,1]    #A_c 
    elif word_label == 'B': return [0,0,0,1,0]  #B_h
    elif word_label == 'C': return [0,0,1,0,0]  #C_i
    elif word_label == 'D': return [0,1,0,0,0]  #D_r    
    elif word_label == 'E' : return [1,0,0,0,0] #E_s

def create_train_data():
    training_data = []
    for img in tqdm(os.listdir(TRAIN_DIR)):
        label = label_img(img)
        path = os.path.join(TRAIN_DIR,img)
        img = cv2.imread(path,cv2.IMREAD_GRAYSCALE)
        img = cv2.resize(img, (IMG_SIZE,IMG_SIZE))
        training_data.append([np.array(img),np.array(label)])
    shuffle(training_data)
    np.save('train_data.npy', training_data)
    return training_data


def process_test_data():
    testing_data = []
    for img in tqdm(os.listdir(TEST_DIR)):
        path = os.path.join(TEST_DIR,img)
        img_num = img.split('.')[0]
        img = cv2.imread(path,cv2.IMREAD_GRAYSCALE)
        img = cv2.resize(img, (IMG_SIZE,IMG_SIZE))
        testing_data.append([np.array(img), img_num])
    shuffle(testing_data)
    np.save('test_data.npy', testing_data)
    return testing_data

train_data = create_train_data()


import tflearn
from tflearn.layers.conv import conv_2d, max_pool_2d
from tflearn.layers.core import input_data, dropout, fully_connected
from tflearn.layers.estimator import regression

from tflearn.data_preprocessing import ImagePreprocessing
from tflearn.data_augmentation import ImageAugmentation

# normalisation of images
img_prep = ImagePreprocessing()
img_prep.add_featurewise_zero_center()
img_prep.add_featurewise_stdnorm()

# Create extra synthetic training data by flipping & rotating images
img_aug = ImageAugmentation()
img_aug.add_random_flip_leftright()
img_aug.add_random_rotation(max_angle=25.)



import tensorflow as tf
tf.reset_default_graph()

convnet = input_data(shape=[None, IMG_SIZE, IMG_SIZE, 1], name='input',data_preprocessing=img_prep, data_augmentation=img_aug)

convnet = conv_2d(convnet, 32, 5, activation='relu')
convnet = max_pool_2d(convnet, 5)

convnet = conv_2d(convnet, 64, 5, activation='relu')
convnet = max_pool_2d(convnet, 5)

convnet = conv_2d(convnet, 128, 5, activation='relu')
convnet = max_pool_2d(convnet, 5)

convnet = conv_2d(convnet, 64, 5, activation='relu')
convnet = max_pool_2d(convnet, 5)

convnet = conv_2d(convnet, 32, 5, activation='relu')
convnet = max_pool_2d(convnet, 5)

convnet = fully_connected(convnet, 1024, activation='relu')
convnet = dropout(convnet, 0.8)

convnet = fully_connected(convnet, 5, activation='softmax')
convnet = regression(convnet, optimizer='adam', learning_rate=LR, loss='categorical_crossentropy', name='targets')

model = tflearn.DNN(convnet, tensorboard_dir='log')



if os.path.exists('{}.meta'.format(MODEL_NAME)):
    model.load(MODEL_NAME)
    print('model loaded!')

#train = train_data[:-500]
#test = train_data[-500:]

train = train_data[:-200]
test = train_data[-200:]

X = np.array([i[0] for i in train]).reshape(-1,IMG_SIZE,IMG_SIZE,1)
Y = [i[1] for i in train]

test_x = np.array([i[0] for i in test]).reshape(-1,IMG_SIZE,IMG_SIZE,1)
test_y = [i[1] for i in test]

model.fit({'input': X}, {'targets': Y}, n_epoch=3, validation_set=({'input': test_x}, {'targets': test_y}), 
    snapshot_step=500, show_metric=True, run_id=MODEL_NAME)


model.save(MODEL_NAME)