Tensorflow ValueError: Zu viele Vaues zum Entpacken (erwartet 2)

Question

Ich habe dies auf Reddit, Stack Overflow, Tech-Foren, Dokumentation, GitHub Probleme etc. etc und kann dieses Problem immer noch nicht lösen.

Als Referenz verwende ich Python 3 TensorFlow unter Windows 10, 64 Bit.

Ich versuche meinen eigenen Datensatz (300 Bilder von Katzen, 512x512, .png Format) in Tensorflow zu verwenden, um es zu trainieren, um zu wissen, wie eine Katze aussieht. Wenn das klappt, werde ich es mit anderen Tieren und eventuell mit Objekten trainieren.

Ich kann nicht herausfinden, warum ich den Fehler ValueError: too many values to unpack (expected 2) bekomme. Der Fehler erscheint in der Zeile images,labal = create_batches(10), die auf meine Funktion create_batches zeigt (siehe unten). Ich weiß nicht, was das verursachen könnte, da ich relativ neu zu TensorFlow bin. Ich versuche, mein eigenes Neuronales Netzwerk basierend auf dem MNIST-Datensatz zu erstellen. Code unten:

import tensorflow as tf 
import numpy as np 
import os 
import sys 
import cv2 


content = [] 
labels_list = [] 
with open("data/cats/files.txt") as ff: 
    for line in ff: 
     line = line.rstrip() 
     content.append(line) 

with open("data/cats/labels.txt") as fff: 
    for linee in fff: 
     linee = linee.rstrip() 
     labels_list.append(linee) 

def create_batches(batch_size): 
    images = [] 
    for img in content: 
     #f = open(img,'rb') 
     #thedata = f.read().decode('utf8') 
     thedata = cv2.imread(img) 
     thedata = tf.contrib.layers.flatten(thedata) 
     images.append(thedata) 
    images = np.asarray(images) 

    labels =tf.convert_to_tensor(labels_list,dtype=tf.string) 

    print(content) 
    #print(labels_list) 

    while(True): 
     for i in range(0,298,10): 
      yield images[i:i+batch_size],labels_list[i:i+batch_size] 


imgs = tf.placeholder(dtype=tf.float32,shape=[None,262144]) 
lbls = tf.placeholder(dtype=tf.float32,shape=[None,10]) 

W = tf.Variable(tf.zeros([262144,10])) 
b = tf.Variable(tf.zeros([10])) 

y_ = tf.nn.softmax(tf.matmul(imgs,W) + b) 

cross_entropy = tf.reduce_mean(-tf.reduce_sum(lbls * tf.log(y_),reduction_indices=[1])) 
train_step = tf.train.GradientDescentOptimizer(0.05).minimize(cross_entropy) 

sess = tf.InteractiveSession() 
tf.global_variables_initializer().run() 
for i in range(10000): 
    images,labal = create_batches(10) 
    sess.run(train_step, feed_dict={imgs:images, lbls: labal}) 

correct_prediction = tf.equal(tf.argmax(y_,1),tf.argmax(lbls,1)) 
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32)) 

print(sess.run(accuracy, feed_dict={imgs:content, lbls:labels_list})) 

Und der Fehler:

Traceback (most recent call last): 
    File "B:\Josh\Programming\Python\imgpredict\predict.py", line 54, in <module> 

    images,labal = create_batches(2) 
ValueError: too many values to unpack (expected 2) 
libpng warning: iCCP: known incorrect sRGB profile 
libpng warning: iCCP: known incorrect sRGB profile 
libpng warning: iCCP: known incorrect sRGB profile 
libpng warning: iCCP: known incorrect sRGB profile 
(A few hundred lines of this) 
libpng warning: iCCP: known incorrect sRGB profile 
libpng warning: iCCP: known incorrect sRGB profile 
libpng warning: iCCP: known incorrect sRGB profile 

Mein GitHub link Link, wenn jemand sie braucht. Der Projektordner ist der "imgpredict".

Answer 1

Sie Ihre Ergebnisse in einer falschen Weise ergibt:

yield(images[i:i+batch_size]) #,labels_list[i:i+batch_size]) 

das gibt Ihnen einen Wert, der zurückgegeben wird, aber wenn Sie y aufrufen ou Methode Sie zwei Werte erwarten ergab:

images,labal = create_batches(10) 

Entweder zwei Werte ergeben, wie:

yield (images[i:i+batch_size] , labels_list[i:i+batch_size]) 

(uncomment) oder nur erwarten.

bearbeiten: Sie sollten sowohl Klammern auf den Ertrag und wann die Ergebnisse wie folgt empfangen:

#when yielding, remember that yield returns a Generator, therefore the() 
yield (images[i:i+batch_size] , labels_list[i:i+batch_size]) 

#When receiving also, even though this is not correct 
(images,labal) = create_batches(10) 

jedoch dies ist nicht die Art, wie ich die yield Option verwendet haben; ein iteriert in der Regel über Ihre Methode, die den Generator zurückkehrt, in Ihrem Fall ist es in etwa so aussehen sollte:

#do the training several times as you have 
for i in range(10000): 
    #now here you should iterate over your generator, in order to gain its benefits 
    #that is you dont load the entire result set into memory 
    #remember to receive with() as mentioned 
    for (images, labal) in create_batches(10): 
     #do whatever you want with that data 
     sess.run(train_step, feed_dict={imgs:images, lbls: labal}) 

Sie auch this Frage in Bezug auf die Benutzer von yield und Generatoren überprüfen können.

Answer 2

Sie haben den zweiten Rückgabeartikel auskommentiert.

 yield(images[i:i+batch_size]) #,labels_list[i:i+batch_size]) 

Sie ergeben eine einzige Liste zu images zuweisen, und es gibt nichts für labal links. Entfernen Sie diese Kommentarmarke oder geben Sie einen Dummy-Wert ein, wenn Sie sich im Debugging-Modus befinden.

---

UPDATE

Trennen Sie diese Zeile und überprüfen, was Sie zurück sind versuchen:

result = (images[i:i+batch_size], 
      labels_list[i:i+batch_size]) 
print len(result), result 
return result