Блог

Я пытаюсь поместить изображение с 3 каналами в tensorflow 2.0 и получаю ошибку типа данных

 TensorFlow TypeError: Value passed to parameter input has DataType uint8 not in list of allowed values: float16, float32
 

Это моя модель:

 def conv_block(number_of_filters, kernel_size, strides=(1, 1), padding='SAME', activation=tf.nn.relu):
    return tf.keras.layers.Conv2D(
        filters=number_of_filters, 
        kernel_size=kernel_size, 
        strides=strides, 
        padding=padding, 
        activation=activation)

class ImageSearchModel(object):
    def __init__(self, learning_rate, image_size, number_of_classes):
        tf.compat.v1.reset_default_graph()
        
        model = tf.keras.models.Sequential()
        
        #convolutional layers
        model.add(conv_block(number_of_filters=64, kernel_size=(3,3)))
        model.add(tf.keras.layers.MaxPooling2D(pool_size=(2, 2), strides=(2, 2), padding='SAME'))
        model.add(conv_block(number_of_filters=128, kernel_size=(3,3)))
        model.add(tf.keras.layers.MaxPooling2D(pool_size=(2, 2), strides=(2, 2), padding='SAME'))
        model.add(conv_block(number_of_filters=256, kernel_size=(5,5)))
        model.add(tf.keras.layers.MaxPooling2D(pool_size=(2, 2), strides=(2, 2), padding='SAME'))
        model.add(conv_block(number_of_filters=512, kernel_size=(5,5)))
        model.add(tf.keras.layers.MaxPooling2D(pool_size=(2, 2), strides=(2, 2), padding='SAME'))
        
        #flattening
        model.add(tf.keras.layers.Flatten())
        
        #dense
        model.add(dense_block(units=128))
        model.add(tf.keras.layers.Dropout(rate=0.2))
        model.add(dense_block(units=256))
        model.add(tf.keras.layers.Dropout(rate=0.2))
        model.add(dense_block(units=512))
        model.add(tf.keras.layers.Dropout(rate=0.2))
        model.add(dense_block(units=1024))
        model.add(tf.keras.layers.Dropout(rate=0.2))
        
        #output
        model.add(dense_block(units=number_of_classes, activation=tf.nn.softmax))
        
        # compile the model
        model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
        
        self.model = model
        
    def Train(self, X_train, y_train, X_test, y_test):

        for i, s in enumerate(X_train):
            X_train[i] = tf.image.convert_image_dtype(s, dtype=tf.float16)
        for i, s in enumerate(X_test):
            X_test[i] = tf.image.convert_image_dtype(s, dtype=tf.float16)
        self.model.fit(X_train, y_train, epochs=1, batch_size=32, verbose=0)
        loss, acc = self.model.evaluate(X_test, y_test, verbose=0)
        print('Test Accuracy: %.3f' % acc)
 

Это мой абонент:

 print(f"There are {len(classes)} classes: {classes}")
model = ImageSearchModel(0.001, (32, 32), len(classes))
model.Train(X_train, y_train, X_test, y_test)
 

Это моя обработка изображений:

 def image_loader(image_path, image_size):
    image = cv2.imread(image_path)
    image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
    image = cv2.resize(image, image_size, cv2.INTER_CUBIC)
    return image

def dataset_preprocessing(dataset_path, image_size):
    images = []
    labels = []
    image_paths = []
    
    for image_name in os.listdir(dataset_path):
        label = image_name.split(".")[0]
        label = label.split("_", 2)[1]
        image_path = os.path.join(dataset_path, image_name)
        images.append(image_loader(image_path, image_size))
        image_paths.append(image_path)
        labels.append(label)
        
    classes = unique(labels)
    assert len(images) == len(labels), f"{len(images)} != {len(labels)}"
    return np.array(images), np.array(labels), np.array(classes)
 

Вот как выглядит мой вклад:

Как правильно подключить 3 канала к CNN?

Вы очень близки: вам нужно разделить целочисленные значения на 256 (2^8 от uint8 ), чтобы получить ожидаемые значения с плавающей точкой. float16 должно быть достаточно точности, чтобы дать вам полезную модель обучения.