Ошибка модели Tensorflow при попытке оценить данные теста

Question

У меня есть заданное изображение, где я должен обнаружить конкретный объект (в моем случае) вешалку для одежды. Я создал специальный набор данных, в котором я обрезал требуемое изображение вешалки для спины с другим углом для целей обучения и тестирования. Когда я запускаю свою программу, она работает со 100% точностью, но когда я пытаюсь оценить ее с помощью теста, она выдает ошибку. Я новичок в tenorflow, пожалуйста, проведите меня в правильном направлении и дайте мне знать, где я делаю неправильно. Ссылки и блоги, связанные с это будет высоко ценится

Вот мой следующий код:

import tensorflow as tf
import matplotlib.pyplot as plt
import os 
import cv2
import numpy as np
from tqdm import tqdm 
from sklearn.model_selection import train_test_split
import tensorflow as tf
from tensorflow.keras.datasets import cifar10
from tensorflow.keras.preprocessing.image import ImageDataGenerator
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Dropout, Activation, Flatten
from tensorflow.keras.layers import Conv2D, MaxPooling2D
from tensorflow.keras.callbacks import TensorBoard
import pickle
import time

gpu_options = tf.GPUOptions(per_process_gpu_memory_fraction=0.333)
sess = tf.Session(config=tf.ConfigProto(gpu_options=gpu_options))

DATADIR = "C:/Users/Desktop/Image_Classification/viewtique_dataset_Testing"

training_data = []
IMG_SIZE = 50

def create_training_data():


    for img in os.listdir(DATADIR):
        try:
            img_array = cv2.imread(os.path.join(DATADIR,img),cv2.IMREAD_GRAYSCALE)
            new_array = cv2.resize(img_array, (IMG_SIZE, IMG_SIZE))
            training_data.append([new_array]) 
            plt.imshow(img_array , cmap = 'gray')
            #plt.show()
        except Exception as e:  # in the interest in keeping the output clean...
                pass

create_training_data()

#print(len(training_data))

X = []
y =[]
for features in training_data:
    X.append(features)

X = np.array(X)
print(X[0].reshape(-1, IMG_SIZE, IMG_SIZE, 1))

X = np.array(X).reshape(-1, IMG_SIZE, IMG_SIZE, 1)



data=np.array(training_data)
#print(data.shape)

dense_layers = [0,1,2]
layer_sizes = [32,64,128]
conv_layers = [1,2,3]



x_train, x_test = train_test_split(X, test_size=0.5)

x_train, x_test = x_train / 255.0, x_test / 255.0


for dense_layer in dense_layers:
        for layer_size in layer_sizes:
                for conv_layer in conv_layers:
                        NAME = "{}-conv-{}-nodes-{}-dense-{}".format(conv_layer,layer_size,dense_layer,int(time.time()))
                        print(NAME)
                        tensorboard = TensorBoard(log_dir=".\logs\{}".format(NAME))


                        model = Sequential()

                        model.add(Conv2D(256, (3, 3), input_shape=X.shape[1:]))
                        model.add(Activation('relu'))
                        model.add(MaxPooling2D(pool_size=(2, 2)))

                        for l in range(conv_layer-1):
                                model.add(Conv2D(layer_size, (3, 3)))
                                model.add(Activation('relu'))
                                model.add(MaxPooling2D(pool_size=(2, 2)))


                        model.add(Flatten())  # this converts our 3D feature maps to 1D feature vectors


                        for l in range(dense_layer):
                                model.add(Dense(layer_size))
                                model.add(Activation('relu'))

                        model.add(Dense(1))
                        model.add(Activation('sigmoid'))

                        model.compile(loss='binary_crossentropy',
                                      optimizer='adam',
                                      metrics=['accuracy'])

                        model.fit(x_train, epochs=5,callbacks=[tensorboard])
                        #model.fit(X, y,batch_size=32,epochs=10,validation_split=0.3,callbacks=[tensorboard])
                        #model.fit(x_train,x_test, validation_split =0.1,epochs=10)

                        model.evaluate(x_test)

Если я удаляю model.evaluate (x_test), он работает с эпохами и дает мне необходимую точность. Но когда я включаю model.evaluate (x_test), он выдает

tensorflow.python.framework.errors_impl.InvalidArgumentError: 2 root error(s) found.
  (0) Invalid argument: You must feed a value for placeholder tensor 'activation_1_target' with dtype float and shape [?,?]
         [[{{node activation_1_target}}]]
         [[loss/mul/_77]]
  (1) Invalid argument: You must feed a value for placeholder tensor 'activation_1_target' with dtype float and shape [?,?]
         [[{{node activation_1_target}}]]
0 successful operations.
0 derived errors ignored.

Я хотел бы знать о разнице между валидацией и тестированием и тем, сколько данных нужно разделить на валидацию и тестирование.

Также вся моя комбинация не запускается и выдает ошибку ресурса:

ResourceExhaustedError: OOM when allocating tensor with shape[147456,128] and type float on /job:localhost/replica:0/task:0/device:GPU:0 by allocator GPU_0_bfc
     [[{{node Adam_25/Adam/update_dense_47/kernel/ResourceApplyAdam}}]]
Hint: If you want to see a list of allocated tensors when OOM happens, add report_tensor_allocations_upon_oom to RunOptions for current allocation info.