Сообщение об ошибке IPKernal, сгенерированное из model.train () в keras - PullRequest
Новая
       16

Сообщение об ошибке IPKernal, сгенерированное из model.train () в keras

0 голосов
/ 28 апреля 2020

При обучении автоэнкодера с использованием Keras в Python 3.7 генерируется чужой блок кода ошибки. 

[IPKernelApp] WARNING | No such comm: 65009a6a88cb11eabebf71a298ce434a
[IPKernelApp] WARNING | No such comm: 65009a6a88cb11eabebf71a298ce434a
[IPKernelApp] WARNING | No such comm: 65009a6a88cb11eabebf71a298ce434a

Кодовый блок, который генерирует ошибку, показан ниже. Когда я выполняю сценарий, модель начинает тренироваться и останавливается через несколько раз. Сбой кернала и сообщение об ошибке выводится на консоль 

def build_model(lr):

    main_input = Input(shape=(WIN_SIZE,WIN_SIZE,N_CHANNELS), dtype='float32', name='POI_HOOD')

    # A convolutional layer will transform the vector neighborhood into a feature layer 
    # 64 filters (number of output filters in convolution)
    # 3x3 kernel size

    x = Conv2D(128, (120,120), input_shape=(WIN_SIZE,WIN_SIZE,N_CHANNELS), padding='same', activation='relu')(main_input)
    pool1 = MaxPooling2D(pool_size=(2, 2))(x) #14 x 14 x 32
    conv2 = Conv2D(64, (3, 3), activation='relu', padding='same')(pool1) #14 x 14 x 64
    pool2 = MaxPooling2D(pool_size=(2, 2))(conv2) #7 x 7 x 64
    conv3 = Conv2D(128, (3, 3), activation='relu', padding='same')(pool2) #7 x 7 x 128 (small and thick)

    #decoder
    conv4 = Conv2D(128, (3, 3), activation='relu', padding='same')(conv3) #7 x 7 x 128
    up1 = UpSampling2D((2,2))(conv4) # 14 x 14 x 128
    conv5 = Conv2D(64, (3, 3), activation='relu', padding='same')(up1) # 14 x 14 x 64
    up2 = UpSampling2D((2,2))(conv5) # 28 x 28 x 64

    decoded = Conv2D(1, (3, 3), activation='sigmoid', padding='same')(up2,)

    model = Model(inputs = main_input, outputs = decoded)
    #adam = optimizers.Adam(learning_rate=0.01, beta_1=0.9, beta_2=0.999, amsgrad=False)
    opt = SGD(lr=lr, momentum = 0.9)

    model.compile(optimizer=opt, loss='mean_squared_error' ,metrics =['accuracy'])
    return(model)

lr= 0.0001
model = build_model(lr)
model.summary()
epochs = 1
hist  = model.fit(x_train_stacked,y_train_stacked, validation_data = (x_test, y_test),epochs=epochs, batch_size=1)
...