Блог

Я пытаюсь адаптировать CNN из руководства «Построить сверточную нейронную сеть с использованием оценщиков» к моему набору данных и не знаю, как исправить эту ошибку

… ну, входные файлы должны быть в порядке, поскольку они уже протестированы и в порядке, поскольку в настоящее время я запускаю их на другом CNN, но они сильно отличаются (он работает нормально, но я готов изменить его, добавив некоторые дополнительные функции, такие как «выпадающий»)

Дело в том, что ошибка (я использую Spyder как IDE) совершенно бессмысленна. Я предпринял несколько попыток выяснить, где ошибка, но я все больше и больше запутываюсь, поэтому давайте попробуем спросить вас, ребята

 from __future__ import absolute_import, division, print_function, unicode_literals
import tensorflow as tf
tf.logging.set_verbosity(tf.logging.INFO)

#----- global variables Start ------
nb_of_neurons=1024
model_learning_rate=0.001

#----- global variables End ------

def run_cnn(mymode, last_date, names, mydata, mylabels, run_id):
    def cnn_model_fn(cnndata, mylabels, mode):
      input_layer = tf.reshape(cnndata, [-1, 4, 5, 1])
      conv = tf.layers.conv2d(
          inputs=input_layer,
          filters=16,
          kernel_size=[2, 3],
          padding="same",
          activation=tf.nn.relu)
      print(conv.shape.dims)
      pool = tf.layers.max_pooling2d(inputs=conv, pool_size=[2, 2], strides=2)
      pool_dims=pool.shape.as_list()[1]*pool.shape.as_list()[2]*pool.shape.as_list()[3]
      pool_flat = tf.reshape(pool, [-1, pool_dims])
      dense = tf.layers.dense(inputs=pool_flat, units=nb_of_neurons, activation=tf.nn.relu)
      dropout = tf.layers.dropout(
          inputs=dense, rate=0.4, training=mode == tf.estimator.ModeKeys.TRAIN)
      logits = tf.layers.dense(inputs=dropout, units=2)
      predictions = {
          "classes": tf.argmax(input=logits, axis=1),
          "probabilities": tf.nn.softmax(logits, name="softmax_tensor")
      }
      if mode == tf.estimator.ModeKeys.PREDICT:
        return tf.estimator.EstimatorSpec(mode=mode, predictions=predictions)

      loss = tf.losses.sparse_softmax_cross_entropy(labels=mylabels, logits=logits)
      print(loss)
      if mode == tf.estimator.ModeKeys.TRAIN:
        optimizer = tf.train.GradientDescentOptimizer(learning_rate=model_learning_rate)
        train_op = optimizer.minimize(
            loss=loss,
            global_step=tf.train.get_global_step())
        return tf.estimator.EstimatorSpec(mode=mode, loss=loss, train_op=train_op)
      eval_metric_ops = {
          "accuracy": tf.metrics.accuracy(
              labels=mylabels, predictions=predictions["classes"])
      }
      return tf.estimator.EstimatorSpec(
          mode=mode, loss=loss, eval_metric_ops=eval_metric_ops)


    if mymode == 'TRAIN':
        mode= tf.estimator.ModeKeys.TRAIN
        cnn_classifier = tf.estimator.Estimator(
            model_fn=cnn_model_fn(mydata, mylabels, mode), model_dir="/sess")

        tensors_to_log = {"probabilities": "softmax_tensor"}

        logging_hook = tf.train.LoggingTensorHook(
            tensors=tensors_to_log, every_n_iter=50)

        train_input_fn = tf.estimator.inputs.numpy_input_fn(
            x=mydata,
            y=mylabels,
            batch_size=100,
            num_epochs=None,
            shuffle=True)

        cnn_classifier.train(
            input_fn=train_input_fn,
            steps=1,
            hooks=[logging_hook])
        cnn_classifier.train(input_fn=train_input_fn, steps=1000)

    elif mymode == 'PREDICT':
        mode= tf.estimator.ModeKeys.PREDICT
        cnn_classifier = tf.estimator.Estimator(
            model_fn=cnn_model_fn(mydata, mylabels, mode), model_dir="/sess")

        tensors_to_log = {"probabilities": "softmax_tensor"}

        logging_hook = tf.train.LoggingTensorHook(
            tensors=tensors_to_log, every_n_iter=50)

        eval_input_fn = tf.estimator.inputs.numpy_input_fn(
                x=mydata,
                y=mylabels,
                num_epochs=1,
                shuffle=False)
        eval_results = cnn_classifier.evaluate(input_fn=eval_input_fn)

    else:
        print('**** ->***   ????   ***')
  

Это вызывается как модуль из другого скрипта Python, который передает все входные данные следующим образом:

1. мой режим: в [‘PREDICT’, ‘TRAIN’]
2. last_date: не имеет значения
3. имена: не имеют значения
4. mydata: np-массив формы (3195,20) со значениями в [0., 1.] (с плавающей точкой)
5. мои метки: np массив формы (3195,), значений в [0, 1] (int)
6. run_i: не имеет значения

Наконец, ошибка появляется после train_op (т. Е. В tf.estimator.EstimatorSpec(mode=mode, loss=loss, train_op=train_op) ) следующим образом:

 ...
  File "C:UsersFulvioooAnaconda3libsite-packagestensorflowpythonutilfunction_utils.py", line 56, in fn_args
    args = tf_inspect.getfullargspec(fn).args

  File "C:UsersFulvioooAnaconda3libsite-packagestensorflowpythonutiltf_inspect.py", line 216, in getfullargspec
    if d.decorator_argspec is not None), _getfullargspec(target))

  File "C:UsersFulvioooAnaconda3libinspect.py", line 1095, in getfullargspec
    raise TypeError('unsupported callable') from ex

TypeError: unsupported callable
  

Я надеюсь, что кто-нибудь может просветить меня о том, где ошибка и как ее исправить.
Кроме того, я был бы рад получить любые другие предложения по улучшению.

Спасибо

На практике проблема в том, что эта оценка довольно жесткая и ожидает переменные с предопределенными именами и форматами. т.е. настройка ожидаемых имен:

 train_data=mydata
train_labels=mylabels
  

и форматы (dict):

 x={"x": train_data}
  

затем он запускается