Intro/setup
我是编程新手，我从教程中制作了我的第一个CNN模型。 我已经在 C：\Users\labadmin 中设置了我的 jupyter/tensorflow/keras
我所理解的是，我只需要输入来自 labadmin 的路径，以便实现我的数据和用于测试和训练。
由于我不确定导致错误的原因，因此我粘贴了整个代码和错误，因此我认为这是关于系统无法获取数据。
具有"数据"设置的文件夹，如下所示：
Labadmin 有一个名为Data的文件夹，其中有两个文件夹培训和测试
猫图像和狗图像都在两个文件夹中随机播放。每个文件夹中有 10000 张图片，因此应该足够：
本教程教授。 1. 如何创建模型 2. 定义标签 3. 创建训练数据 4. 创建和构建图层 5. 创建测试数据 6. (据我所知)我创建的代码的最后一部分是
验证我的模型。
这是代码
import cv2
import numpy as np
import os
from random import shuffle
from tqdm import tqdm
TRAIN_DIR = "data\training"
TEST_DIR = "data\test"
IMG_SIZE = 50
LR = 1e-3
MODEL_NAME = 'dogvscats-{}-{}.model'.format(LR, '2cov-basic1')
def label_img(img):
word_label = img.split('.')[-3]
if word_label == 'cat': return [1,0]
elif word_label == 'dog': return [0,1]
def creat_train_data():
training_data = []
for img in tqdm(os.listdir(TRAIN_DIR)):
label = label_img(img)
path = os.path.join(TRAIN_DIR,img)
img = cv2.resize(cv2.imread(path, cv2.IMREAD_GRAYSCALE), (IMG_SIZE,IMG_SIZE))
training_data.append([np.array(img), np.array(label)])
shuffle(training_data)
np.save('training.npy', training_data) #save file
return training_data
import tflearn
from tflearn.layers.conv import conv_2d, max_pool_2d
from tflearn.layers.core import input_data, dropout, fully_connected
from tflearn.layers.estimator import regression
# Building convolutional convnet
convnet = input_data(shape=[None, IMG_SIZE, IMG_SIZE, 1], name='input')
# http://tflearn.org/layers/conv/
# http://tflearn.org/activations/
convnet = conv_2d(convnet, 32, 2, activation='relu')
convnet = max_pool_2d(convnet, 2)
convnet = conv_2d(convnet, 64, 2, activation='relu')
convnet = max_pool_2d(convnet, 2)
convnet = fully_connected(convnet, 1024, activation='relu')
convnet = dropout(convnet, 0.8)
#OUTPUT layer
convnet = fully_connected(convnet, 2, activation='softmax')
convnet = regression(convnet, optimizer='adam', learning_rate=LR, loss='categorical_crossentropy', name='targets')
model = tflearn.DNN(convnet, tensorboard_dir='log')
def process_test_data():
testing_data = []
for img in tqdm(os.listdir(TEST_DIR)):
path = os.path.join(TEST_DIR,img)
img_num = img.split ('.')[0] #ID of pic=img_num
img = cv2.resize(cv2-imread(path, cv2.IMREAD_GRAYSCALE), (IMG_SIZE,IMG_SIZE))
testing_data.append([np.array(img), img_num])
np.save('test_data.npy', testing_data)
return testing_data
train_data = creat_train_data()
#if you already have train data:
#train_data = np.load('train_data.npy')
100%|███████████████████████████████████████████████████████████████████████████| 21756/21756 [02:39<00:00, 136.07it/s]
if os.path.exists('{}<.meta'.format(MODEL_NAME)):
model.load(MODEL_NAME)
print('model loaded!')
train = train_data[:-500]
test = train_data[:-500]
X = np.array([i[0] for i in train]).reshape( -1, IMG_SIZE, IMG_SIZE, 1) #feature set
Y= [i[1] for i in test] #label
test_x = np.array([i[0] for i in train]).reshape( -1, IMG_SIZE, IMG_SIZE, 1)
test_y= [i[1] for i in test]
model.fit({'input': X}, {'targets': Y}, n_epoch=5, validation_set=({'input': test_x}, {'targets': test_y}),
snapshot_step=500, show_metric=True, run_id=MODEL_NAME)
Training Step: 1664 | total loss: 9.55887 | time: 63.467s
| Adam | epoch: 005 | loss: 9.55887 - acc: 0.5849 -- iter: 21248/21256
Training Step: 1665 | total loss: 9.71830 | time: 74.722s
| Adam | epoch: 005 | loss: 9.71830 - acc: 0.5779 | val_loss: 9.81653 - val_acc: 0.5737 -- iter: 21256/21256
--
三个问题
我有三个问题试图解决，但我没有找到解决方案：
第一个出现在： # 构建卷积凸网
curses is not supported on this machine (please install/reinstall curses for an optimal experience)
WARNING:tensorflow:From C:UserslabadminMiniconda3envstensorflowlibsite-packagestflearninitializations.py:119: UniformUnitScaling.__init__ (from tensorflow.python.ops.init_ops) is deprecated and will be removed in a future version.
Instructions for updating:
Use tf.initializers.variance_scaling instead with distribution=uniform to get equivalent behavior.
WARNING:tensorflow:From C:UserslabadminMiniconda3envstensorflowlibsite-packagestflearnobjectives.py:66: calling reduce_sum (from tensorflow.python.ops.math_ops) with keep_dims is deprecated and will be removed in a future version.
Instructions for updating:
keep_dims is deprecated, use keepdims instead
第二个出现在：print('模型加载！')
if os.path.exists('{}<.meta'.format(MODEL_NAME)):
model.load(MODEL_NAME)
print('model loaded!')
在代码不打印的情况下，这是否意味着未加载数据？
第三
教程没有介绍如何使用图像测试我的模型。那么，我可以如何以及将什么添加到获取模型(也正在保存)的代码中，并从我的文件夹中运行图像，给定的输出是分类？
1st：警告消息很清楚，遵循它，警告将消失。但别担心，如果你不这样做，你仍然可以正常运行你的代码。
第二：是的。如果未打印出model load!，则未加载模型，请检查模型文件的路径。
第三：训练后保存模型，请使用model.save("PATH-TO-SAVE")。然后你可以通过model.load("PATH-TO-MODEL")加载它。
对于预测，请使用model.predict({'input': X})。看这里 http://tflearn.org/getting_started/#trainer-evaluator-predictor
第二个问题
- 要保存和加载模型，请使用
# Save a model
model.save('path-to-folder-you-want-to-save/my_model.tflearn')
# Load a model
model.load('the-folder-where-your-model-located/my_model.tflearn')
请记住，您应该具有模型文件的扩展名，即.tflearn。
- 要预测，您需要加载图像，就像加载图像进行训练一样。
test_image = cv2.resize(cv2.imread("path-of-the-image", cv2.IMREAD_GRAYSCALE), (IMG_SIZE,IMG_SIZE))
test_image = np.array(test_image).reshape( -1, IMG_SIZE, IMG_SIZE, 1)
prediction = model.predict({'input': test_image })