未找到训练自定义对象检测train_spec和eval_specs[0]

Question

我正在尝试在google colab上使用tensorflow训练一个自定义对象检测器，使用这个构建您自己的对象检测器——PyTorch与tensorflow，以及如何开始？

我遵循了博客中的所有步骤

这是代码

from __future__ import absolute_import
from __future__ import division
from __future__ import print_function
from absl import flags
import tensorflow as tf
from object_detection import model_hparams
from object_detection import model_lib
model_dir = "/content/drive/MyDrive/Tensorflow/models/research/faster_rcnn_inception_v2_coco_2018_01_28/model_dir"

config = tf.estimator.RunConfig(model_dir=model_dir)
pipeline_config_path= "/content/drive/MyDrive/Tensorflow/models/research/faster_rcnn_inception_v2_coco_2018_01_28/pipeline.config"
num_train_steps=10000

train_and_eval_dict = model_lib.create_estimator_and_inputs(
run_config=config,
hparams=model_hparams.create_hparams(None),
pipeline_config_path = pipeline_config_path,
train_steps =num_train_steps,
sample_1_of_n_eval_examples = 1)
estimator = train_and_eval_dict['estimator']
train_input_fn = train_and_eval_dict['train_input_fn']
eval_input_fns = train_and_eval_dict['eval_input_fns']
eval_on_train_input_fn = train_and_eval_dict['eval_on_train_input_fn']
predict_input_fn = train_and_eval_dict['predict_input_fn']
train_steps = train_and_eval_dict['train_steps']

tf.estimator.train_and_evaluate(estimator,train_spec,eval_specs[0])

train_spec和eval_specs[0]在哪里？

我收到警告说这两个没有找到

我该怎么办？

有人能帮忙吗？

Answer 1

这是可以使用预测的旧时尚。模型到估计器

train_spec和eval_spec不过是使用相同数据集或相似性的标志。例如，您有多行输入，更改输入也反映了相似范围内的输出。

穿着短裤，他们可以进行特定的训练组或配对表！

当你考虑在特定范围上进行训练时，这对一小组数据来说是个好主意，但模型需要学习空间，那么在子数据集上进行训练是一种替代方案，我们在某些任务中不使用train_and_evalve。

表匹配很快，因为输入不需要完全相同，但您可以在训练时根据输入及其反馈估计输出，并且预测不控制参数。[A，B，C，D]->[A，B，C，E]区分多少个单位？

[样本]：

"""""""""""""""""""""""""""""""""""""""""""""""""""""""""
Functions
"""""""""""""""""""""""""""""""""""""""""""""""""""""""""
def train_input_fn():
pass
def eval_input_fn():
pass
def input_fn():
input = tf.random.uniform(shape=[1, 16, 16 * 3], minval=5, maxval=10, dtype=tf.int64)
label = tf.constant( [0], shape=( 1, 1, 1 )  )
return input, label

"""""""""""""""""""""""""""""""""""""""""""""""""""""""""
: Model Initialize
"""""""""""""""""""""""""""""""""""""""""""""""""""""""""
model = tf.keras.models.Sequential([
tf.keras.layers.InputLayer(input_shape=( 16, 16 * 3 )),
tf.keras.layers.Reshape((n_numpointer, n_roles)),
tf.keras.layers.Reshape(( 16, 16 * 3 )),
tf.keras.layers.Bidirectional(tf.keras.layers.LSTM(64, return_sequences=True, return_state=False)),
tf.keras.layers.Bidirectional(tf.keras.layers.LSTM(64)),
tf.keras.layers.Dense(1),
])

model.add(tf.keras.layers.Flatten())
model.add(tf.keras.layers.Dense(1))
model.add(tf.keras.layers.Dense(1))
model.summary()
"""""""""""""""""""""""""""""""""""""""""""""""""""""""""
: Optimizer
"""""""""""""""""""""""""""""""""""""""""""""""""""""""""
optimizer = tf.keras.optimizers.Nadam( learning_rate=0.0001, beta_1=0.9, beta_2=0.999, epsilon=1e-07, name='Nadam' )
"""""""""""""""""""""""""""""""""""""""""""""""""""""""""
: Loss Fn
"""""""""""""""""""""""""""""""""""""""""""""""""""""""""                               
lossfn = tf.keras.losses.MeanSquaredLogarithmicError(reduction=tf.keras.losses.Reduction.AUTO, name='mean_squared_logarithmic_error')
"""""""""""""""""""""""""""""""""""""""""""""""""""""""""
: Model Summary
"""""""""""""""""""""""""""""""""""""""""""""""""""""""""
model.compile(optimizer=optimizer, loss=lossfn)
train_spec = tf.estimator.TrainSpec(input_fn=train_input_fn, max_steps=1000)
eval_spec = tf.estimator.EvalSpec(input_fn=eval_input_fn)
est_model = tf.keras.estimator.model_to_estimator(keras_model=model)
tf.estimator.train_and_evaluate(est_model, train_spec, eval_spec)