0
2つの可能な出力を持つ画像を分類するためにCNNを設定しようとしていますが、これを行うにはTensorflowを使用しています。私はチュートリアルに続いて、自分の使っていたCNNを自分の問題に適応させましたが、うまくいきませんでした。TensorflowでのCNNの列車エラー
私が変更した最初のことは、問題の画像がどのように読み込まれたかということでした。私は、すべての画像の場所と期待される出力をスペースで区切って書きます。私はバッチ（label_batchとimage_batch）を与える画像にロードするために他の場所で見つけたコードを使用しました。ただし、この形式はチュートリアルとは異なりますので、私はトレーニングループをどのように行うのか分かりません。バッチのインデックスを取り込んでsess.run（）を実行し、オンラインで見つけたものを試してみましたが、これまで何も手伝っていませんでした。
申し訳ありませんこれは非常にシンプルなものですが、私はこれをかなり新しくしています。
マイコード：
#imports tensorflow
import tensorflow as tf
sess = tf.InteractiveSession()
#weight generation with small amount of noise in normal dist & slight + bias bc ReLU nuerons
def weight_variable(shape):
initial = tf.truncated_normal(shape, stddev=0.1)
return tf.Variable(initial)
#bias generation with small amount of noise in normal dist & slight + bias bc ReLU nuerons
def bias_variable(shape):
initial = tf.constant(0.1, shape=shape)
return tf.Variable(initial)
#creates conv layer with stride 1 and 0 padding
def conv2d(x, W):
return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')
#creates max_pool layer thats 2x2
def max_pool_2x2(x):
return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')
#reads image file names and respective labels
def read_labeled_image_list(image_list_file):
f = open(image_list_file, 'r')
filenames = []
labels = []
for line in f:
filename, label = line[:-1].split(' ')
filenames.append(filename)
labels.append(int(label))
return filenames, labels
#image name to image
def read_images_from_disk(input_queue):
label = input_queue[1]
file_contents = tf.read_file(str(input_queue[0]))
example = tf.image.decode_png(file_contents, channels=1)
return example, label
# Reads paths of images together with their labels
image_list, label_list = read_labeled_image_list("images.txt")
images = tf.convert_to_tensor(image_list)
labels = tf.convert_to_tensor(label_list)
# Makes an input queue
input_queue = tf.train.slice_input_producer([images, labels], shuffle=True)
image, label = read_images_from_disk(input_queue)
image.set_shape([28,28,1])
#Image and Label Batching
image_batch, label_batch = tf.train.batch([image, label],batch_size=50, allow_smaller_final_batch = True)
#placeholder define vars?
x = tf.placeholder(tf.float32, shape=[None, 784])
y_ = tf.placeholder(tf.float32, shape=[None, 2])
#conv layer 1, 5x5 patch with 32 features
W_conv1 = weight_variable([5, 5, 1, 32])
b_conv1 = bias_variable([32])
#4D tensor, 2 and 3 is w and h, 4th is color channels
x_image = tf.reshape(x, [-1,28,28,1])
#sets up forward for x_image
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
h_pool1 = max_pool_2x2(h_conv1)
#second conv layer, 64 feature extraction
W_conv2 = weight_variable([5, 5, 32, 64])
b_conv2 = bias_variable([64])
h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)
h_pool2 = max_pool_2x2(h_conv2)
#converts from feature to 1024
W_fc1 = weight_variable([7 * 7 * 64, 1024])
b_fc1 = bias_variable([1024])
h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)
#prevents overfitting, disabled during testing (todo: potentially remove for us, is complex)
keep_prob = tf.placeholder(tf.float32)
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)
#softmax layer with 10 outputs
W_fc2 = weight_variable([1024, 2])
b_fc2 = bias_variable([2])
y_conv=tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)
#training: ADAM optimizer with overfitting help and logging every 100th iteration
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y_conv), reduction_indices=[1]))
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
correct_prediction = tf.equal(tf.argmax(y_conv,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
sess.run(tf.initialize_all_variables())
for i in range(20000):
#What do I do here!?!??!
#imgs, lbls = sess.run([image_batch, label_batch])
#imgs = image_batch[i]
#lbls = label_batch[i]
if i%100 == 0:
train_accuracy = accuracy.eval(feed_dict={ x:imgs, y_: lbls, keep_prob: 1.0})
print("step %d, training accuracy %g"%(i, train_accuracy))
train_step.run(feed_dict={x: imgs, y_: lbls, keep_prob: 0.5})
#prints final accuracy, to be updated
print("test accuracy %g"%accuracy.eval(feed_dict={
x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0}))
を更新： Tensorflow, train_step feed incorrect 私はこれを発見し、第二の答えを実装しようとしましたが、私はこのエラーを取得：
W tensorflow/core/framework/op_kernel.cc:936] Unimplemented: File system scheme Tensor("input_producer/Gather not implemented
私は最初の解決策を試したとき、Iこれを持っています：
トレースバック（最新のコール最後）：
File "Tester.py", line 77, in <module>
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
File "Tester.py", line 22, in conv2d
return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')
TypeError: DataType uint8 for attr 'T' not in list of allowed values: float16, float32, float64
アップデート2 はだからは、xを実現し、yはそれぞれimage_batchとlabel_batchに等しくなければならず、それは私がtf.cast（image_batch、tf.float32）を使用してのfloat32にそれをキャスト一度働きました。これが2回続けて印刷してしかし、今の列車ラインがまだ失敗：
W tensorflow/core/framework/op_kernel.cc:936] Unimplemented: File system scheme Tensor("input_producer/Gather not implemented