Распознавание изображений (с моего компьютера) в R с использованием CNN

Question

Я пытаюсь построить сверточную нейронную сеть в R, используя изображения, которые я скачал на свой компьютер из inte rnet! Эти изображения находятся в разных папках, но не помечены (помечены только папки). Я пометил изображения на своем поезде другим сценарием! Я создал свою модель, но когда я пытаюсь запустить историю заказов и график:

history <- model %>% 
  fit(
     x= trainData$X, y= as.numeric(trainData$y),
    epochs = 100,
    batch_size = 32,
    validation_split = 0.2,
  )



plot(history)

У меня появляются следующие ошибки:

1) Ошибка в py_call_impl (вызываемый, точки $ args, точки $ ключевые слова):
ValueError: Нет данных для "conv2d_4_input". Нужны данные для каждого ключа: ['conv2d_4_input']

2) Ошибка в кривой (expr = x, from = from, to = to, xlim = xlim, ylab = ylab,: 'expr' не сделал оценить объект длины 'n'

Что я могу сделать, чтобы исправить их?

Мой код:

setwd("C:/Users/User/Desktop/R files mine/yes")

library(keras)
library(EBImage)
library(stringr)
library(pbapply)
library(tensorflow)

secondaccordion <- readImage("train/accordion/accordion_0002.jpg")
display(secondaccordion)

width <- 100
height <- 100

dir_path <- "train/"
extract_feature <- function(dir_path, width, height, labelsExist = T) {
  img_size <- width * height

  images_names <- list.files(dir_path, pattern="*.jpg",recursive = TRUE)

  if(labelsExist){
    ## Select only cats or dogs images
    accairanchant <- str_extract(images_names, "^(accordion|airplanes|anchor|ant)")
    # Set accordion == 0, airplanes == 1, anchor == 2, ant == 3
    key <- c("accordion" = 0, "airplanes" = 1, "anchor" = 2, "ant" = 3)
    y <- key[accairanchant]
  }

  print(paste("Start processing", length(images_names), "images"))
  ## This function will resize an image, turn it into greyscale
  feature_list <- pblapply(images_names, function(imgname) {
    ## Read image
    img <- readImage(file.path(dir_path, imgname))
    ## Resize image
    img_resized <- resize(img, w = width, h = height)
    ## Set to grayscale (normalized to max)
    grayimg <- channel(img_resized, "gray")
    ## Get the image as a matrix
    img_matrix <- grayimg@.Data
    ## Coerce to a vector (row-wise)
    img_vector <- as.vector(t(img_matrix))
    return(img_vector)
  })
  ## bind the list of vector into matrix
  feature_matrix <- do.call(rbind, feature_list)
  feature_matrix <- as.data.frame(feature_matrix)
  ## Set names
  names(feature_matrix) <- paste0("pixel", c(1:img_size))

  if(labelsExist){
    return(list(X = feature_matrix, y = y))
  }else{
    return(feature_matrix)
  }
}


trainData <- extract_feature(dir_path = "train/", width = width, height = height)
testData <- extract_feature("test/", width, height, labelsExist = F)


par(mar = rep(0, 4))
testaccordion <- t(matrix(as.numeric(trainData$X[2,]),
                    nrow = width, ncol = height, T))
image(t(apply(testaccordion, 2, rev)), col = gray.colors(12),
      axes = F)

str(testaccordion,2)

save(trainData, testData, file = "accairanchant.Rdata")


model <- keras_model_sequential() %>% 
  layer_conv_2d(filters = 32, kernel_size = c(3,3), activation = "relu", 
                input_shape = c(100,100,1),data_format='channels_last') %>% 
  layer_max_pooling_2d(pool_size = c(2,2)) %>% 
  layer_conv_2d(filters = 64, kernel_size = c(3,3), activation = "relu") %>% 
  layer_max_pooling_2d(pool_size = c(2,2)) %>% 
  layer_conv_2d(filters = 64, kernel_size = c(3,3), activation = "relu")

summary(model)

model %>% 
  layer_dropout(rate = 0.25) %>%
  layer_flatten() %>% 
  layer_dense(units = 64, activation = "relu") %>% 
  layer_dropout(rate = 0.25) %>%
  layer_dense(units = 4, activation = "softmax")

summary(model)


model %>% compile(
  optimizer = "adam",
  loss = "sparse_categorical_crossentropy",
  metrics = "accuracy"
)


history <- model %>% 
  fit(
     x= trainData$X, y= as.numeric(trainData$y),
    epochs = 100,
    batch_size = 32,
    validation_split = 0.2,
  )

plot(history)

evaluate(model, testData[1], testData[2], verbose = 0)