Ich habe die Auswertung MNIST tutorial gefolgt und wollte es anpassen, um meine eigenen Daten zu verwenden. Mit dem Anfangsmodell habe ich meine Bilder mit build_image_data.py in Tensoren umgewandelt und geladen. Dann habe ich versucht, sie als Eingabe für das Modell zu verwenden, aber die Ausführung bleibt bis zur Funktion model.fit() stehen. Keine CPU-Auslastung und danach keine Ausgabe. HierTensorflow beginnt nicht mit dem Training
ist der entsprechende Code:
from __future__ import absolute_import
from __future__ import division
from __future__ import print_function
import numpy as np
import tensorflow as tf
from tensorflow.contrib import learn
from tensorflow.contrib.learn.python.learn.estimators import model_fn as model_fn_lib
import image_processing
import dataset
tf.logging.set_verbosity(tf.logging.INFO)
height = 200
width = 200
def cnn_model_fn(features, labels, mode):
input_layer = tf.reshape(features, [-1, width, height, 1])
con
v1 = tf.layers.conv2d(inputs=input_layer, filters=32, kernel_size=[5, 5], padding="same", activation=tf.nn.relu)
pool1 = tf.layers.max_pooling2d(inputs=conv1, pool_size=[2, 2], strides=2)
conv2 = tf.layers.conv2d(inputs=pool1, filters=64, kernel_size=[5, 5], padding="same", activation=tf.nn.relu)
pool2 = tf.layers.max_pooling2d(inputs=conv2, pool_size=[2, 2], strides=2)
pool2_flat = tf.reshape(pool2, [-1, (width/4) * (width/4) * 64])
dense = tf.layers.dense(inputs=pool2_flat, units=1024, activation=tf.nn.relu)
dropout = tf.layers.dropout(inputs=dense, rate=0.4, training=mode == learn.ModeKeys.TRAIN)
logits = tf.layers.dense(inputs=dropout, units=2)
loss = None
train_op = None
if mode != learn.ModeKeys.INFER:
onehot_labels = tf.one_hot(indices=tf.cast(labels, tf.int32), depth=2)
loss = tf.losses.softmax_cross_entropy(onehot_labels=onehot_labels, logits=logits)
if mode == learn.ModeKeys.TRAIN:
train_op = tf.contrib.layers.optimize_loss(loss=loss, global_step=tf.contrib.framework.get_global_step(), learning_rate=0.001, optimizer="SGD")
predictions = {
"classes": tf.argmax(input=logits, axis=1),
"probabilities": tf.nn.softmax(logits, name="softmax_tensor")
}
return model_fn_lib.ModelFnOps(mode=mode, predictions=predictions, loss=loss, train_op=train_op)
def main(unused_argv):
training_data = dataset.Dataset("train-00000-of-00001", "train")
validation_data = dataset.Dataset("validation-00000-of-00001", "validation")
images, labels = image_processing.inputs(training_data)
vimages, vlabels = image_processing.inputs(validation_data)
sess = tf.InteractiveSession()
feature_classifier = learn.SKCompat(learn.Estimator(model_fn=cnn_model_fn, model_dir="/tmp/feature_model"))
tensors_to_log = {"probabilities": "softmax_tensor"}
logging_hook = tf.train.LoggingTensorHook(tensors=tensors_to_log, every_n_iter=10)
feature_classifier.fit(x=images.eval(), y=labels.eval(), batch_size=100, steps=200000, monitors=[logging_hook])
metrics = {
"accuracy":
learn.MetricSpec(metric_fn=tf.metrics.accuracy, prediction_key="classes"),
}
# Evaluate the model and print results
eval_results = feature_classifier.evaluate(x=vimages.eval(), y=vlabels.eval(), metrics=metrics)
print(eval_results)
if __name__ == "__main__":
tf.app.run()
Die einzige Ausgabe, die es ganz am Anfang gibt, ist:
INFO: tensorflow: Verwenden von Standardkonfiguration. INFO: tensorflow: Verwendung config: { '_save_checkpoints_steps': Keine, '_tf_config': gpu_options { per_process_gpu_memory_fraction: 1 } '_tf_random_seed': Keine, '_keep_checkpoint_max': 5 '_num_ps_replicas': 0, '_MASTER' : '', '_is_chief': True, '_keep_checkpoint_every_n_hours': 10000, '_task_id': 0, '_save_summary_steps': 100, '_task_type': Keine, '_num_worker_replicas': 0, '_save_checkpoints_secs': 600,'_evaluation_master ': '', '_cluster_spec': '_environment': 'local', '_model_dir': Keine}
My-Datensatz ist etwa 31 MB + 6 MB für die Eingabe und Validierungssatz.
Hallo, nach dem Entfernen „Zug = True)“ Das Modell beginnt auf meiner CPU zu lernen. Jetzt muss ich nur noch beheben, dass auf meiner GPU kein Speicher mehr verfügbar ist. Vielen Dank. – Eejin
Um das Problem mit dem GPU-Speicher zu beheben, muss das Modul image_processing auf der CPU ausgeführt werden. Überprüfen Sie die Best Practices-Leistungsrichtlinien von Tensoflow: https://www.tensorflow.org/performance/performance_guide –
Ich benutze dies aus dem Startmodell: https://github.com/tensorflow/models/blob/master/inception/inception /image_processing.py was genau das zu tun scheint. Aber wenn ich die Anzahl der Neuronen von 1024 auf 512 reduziere, trainiert es auf meiner 2GB GPU. – Eejin