开发了以下代码，以使用带有tensorflow后端的keras和python识别5个图像类。我曾经使用过imageDataGenerator，但是当我运行它时，它开始训练，过一会儿，出现以下错误。
我该如何解决？
培训步骤：127 |总损失：0.01171 | 时间：32.772s |亚当|时代005 |损失：0.01171-累积：0.9971- 重复：1536/1550培训步骤：128 |总损失：0.01055 |时间： 36.283秒|亚当|时代005 |损失：0.01055-acc：0.9974 | val_loss：3.05709-val_acc：0.6500-迭代：1550/1550 -找到属于0类的0张图像。找到属于0类的0个图像。追溯（最近一次通话）：
文件“”，第1行，在 runfile（'D：/ My Projects / FinalProject_Vr_01.2 / CNN_IMGDG_stackoverflow.py'，wdir ='D：/ My 项目/FinalProject_Vr_01.2'）
文件 “ C：\ Users \ Asus \ Anaconda3 \ lib \ site-packages \ spyder_kernels \ customize \ spydercustomize.py”， 运行文件中的第704行 execfile（文件名，命名空间）
文件 “ C：\ Users \ Asus \ Anaconda3 \ lib \ site-packages \ spyder_kernels \ customize \ spydercustomize.py”， execfile中的第108行 exec（compile（f.read（），文件名，'exec'），命名空间）
文件“ D：/我的 Projects / FinalProject_Vr_01.2 / CNN_IMGDG_stackoverflow.py“，第191行， 在 model.fit_generator（train_generator，
AttributeError：“ DNN”对象没有属性“ fit_generator”
import cv2
import numpy as np
import os
from random import shuffle
from tqdm import tqdm
from keras.preprocessing.image import ImageDataGenerator
from keras.models import Sequential
TRAIN_DIR = 'train'
VALID_DIR = 'validate'
TEST_DIR = 'test'
IMG_SIZE = 128
LR = 1e-3
train_samples = 1500
valdate_samples = 250
epochs = 5
batch_size = 10
MODEL_NAME = 'snakes-{}-{}.model'.format(LR, '2conv-basic')
def label_img(img):
print("\nImage = ",img)
print("\n",img.split('.')[-2])
temp_name= img.split('.')[-2]
print("\n",temp_name[:1])
temp_name=temp_name[:1]
word_label = temp_name
if word_label == 'A': return [0,0,0,0,1]
elif word_label == 'B': return [0,0,0,1,0]
elif word_label == 'C': return [0,0,1,0,0]
elif word_label == 'D': return [0,1,0,0,0]
elif word_label == 'E' : return [1,0,0,0,0]
def create_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.imread(path,cv2.IMREAD_GRAYSCALE)
img = cv2.resize(img,(IMG_SIZE,IMG_SIZE))
training_data.append([np.array(img),np.array(label)])
shuffle(training_data)
np.save('train_data.npy', training_data)
return training_data
def create_validate_data():
validating_data = []
for img in tqdm(os.listdir(VALID_DIR)):
label = label_img(img)
path = os.path.join(VALID_DIR,img)
img = cv2.imread(path,cv2.IMREAD_GRAYSCALE)
img = cv2.resize(img,(IMG_SIZE,IMG_SIZE))
validating_data.append([np.array(img),np.array(label)])
shuffle(validating_data)
np.save('validate_data.npy', validating_data)
return validating_data
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]
img = cv2.imread(path,cv2.IMREAD_GRAYSCALE)
img = cv2.resize(img,(IMG_SIZE,IMG_SIZE))
testing_data.append([np.array(img), img_num])
shuffle(testing_data)
np.save('test_data.npy', testing_data)
return testing_data
train_data = create_train_data()
validate_data = create_validate_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
import tensorflow as tf
tf.reset_default_graph()
convnet = input_data(shape=[None, IMG_SIZE, IMG_SIZE, 1], name='input')
convnet = conv_2d(convnet, 32, 5, activation='relu')
convnet = max_pool_2d(convnet, 5)
convnet = conv_2d(convnet, 64, 5, activation='relu')
convnet = max_pool_2d(convnet, 5)
convnet = conv_2d(convnet, 128, 5, activation='relu')
convnet = max_pool_2d(convnet, 5)
convnet = conv_2d(convnet, 64, 5, activation='relu')
convnet = max_pool_2d(convnet, 5)
convnet = conv_2d(convnet, 32, 5, activation='relu')
convnet = max_pool_2d(convnet, 5)
convnet = fully_connected(convnet, 1024, activation='relu')
convnet = dropout(convnet, 0.8)
convnet = fully_connected(convnet, 5, activation='softmax')
convnet = regression(convnet, optimizer='adam', learning_rate=LR, loss='categorical_crossentropy', name='targets')
model = tflearn.DNN(convnet, tensorboard_dir='log')
if os.path.exists('{}.meta'.format(MODEL_NAME)):
model.load(MODEL_NAME)
print('model loaded!')
train = train_data[:]
validate = validate_data[:]
X = np.array([i[0] for i in train]).reshape(-1,IMG_SIZE,IMG_SIZE,1)
Y = [i[1] for i in train]
validate_x = np.array([i[0] for i in validate]).reshape(-1,IMG_SIZE,IMG_SIZE,1)
validate_y = [i[1] for i in validate]
model.fit({'input': X}, {'targets': Y}, n_epoch=epochs, validation_set=({'input': validate_x}, {'targets': validate_y}),
snapshot_step=500, show_metric=True, run_id=MODEL_NAME)
train_datagen = ImageDataGenerator(
rescale=1. / 255,
shear_range=0.2,
zoom_range=0.2,
horizontal_flip=True)
validation_datagen = ImageDataGenerator(rescale=1. / 255)
train_generator = train_datagen.flow_from_directory('train',
target_size=(IMG_SIZE, IMG_SIZE),
batch_size=batch_size,
class_mode='categorical')
validation_generator = validation_datagen.flow_from_directory('validate',
target_size=(IMG_SIZE, IMG_SIZE),
batch_size=batch_size,
class_mode='categorical')
model.fit_generator(train_generator,
steps_per_epoch=25,
epochs=epochs,
validation_data=validation_generator,
validation_steps=25)
model.save(MODEL_NAME)
答案 0 :(得分：2)
您的模型对象是tflearn.DNN类的实例，该类根本没有fit_generator方法。此方法仅适用于keras对象。也许您可以在keras中定义您的体系结构，并且可以使用数据生成器。
答案 1 :(得分：1)
定义神经网络时，可以使用Keras进行。 （您在这里所做的就是使用Tensorflow定义网络。它没有fit_generator方法。）
import keras
from keras.layers import Conv2D
from keras.layers import MaxPooling2D
from keras.layers import Flatten
from keras.layers import Dense
from keras.models import Sequential
这些是可以与Keras一起用于您的应用程序的层。然后使用DNN = Sequential()
请参阅用Keras编写的simple classifier，您会明白的。
答案 2 :(得分：0)
其他意见
如果你想看一个模型和ACC，输
你需要使用张量板
示例 1：在 Colab 中
load_ext tensorboard
tensorboard --logdir='/tmp/tflearn_logs'