日志

2018-12-07 18：50：07.930812：I tensorflow / core / platform / cpu_feature_guard.cc：141]您的CPU支持该TensorFlow二进制文件未编译为使用的指令：AVX2 FMA
2018-12-07 18：50：09.849317：I tensorflow / core / common_runtime / gpu / gpu_device.cc：1432]找到具有属性的设备0：名称：Tesla P100-PCIE-16GB主要：6个次要：0 memoryClockRate（GHz）：1.3285 pciBusID：0000：84：00.0 totalMemory：15.90GiB空闲内存：15.61GiB
2018-12-07 18：50：09.849381：I tensorflow / core / common_runtime / gpu / gpu_device.cc：1511]添加可见的gpu设备：0 2018-12-07 18：50：10.138046：I tensorflow / core / common_runtime / gpu / gpu_device.cc：982]具有强度1边缘矩阵的设备互连StreamExecutor：
2018-12-07 18：50：10.138115：我tensorflow / core / common_runtime / gpu / gpu_device.cc：988] 0
2018-12-07 18：50：10.138123：I tensorflow / core / common_runtime / gpu / gpu_device.cc：1001] 0：N
2018-12-07 18：50：10.138479：我tensorflow / core / common_runtime / gpu / gpu_device.cc：1115]创建了TensorFlow设备（/ job：localhost /副本：0 /任务：0 /设备：GPU：0与15123 MB内存）->物理GPU（设备：0，名称：Tesla P100-PCIE-16GB，pc 我的总线ID：0000：84：00.0，计算能力：6.0）开始记录
2018-12-07 18：50：11.202683：I tensorflow / core / common_runtime / gpu / gpu_device.cc：1511]添加可见的gpu设备：0
2018-12-07 18：50：11.202779：I tensorflow / core / common_runtime / gpu / gpu_device.cc：982]具有强度1边缘矩阵的设备互连StreamExecutor：
2018-12-07 18：50：11.202816：我tensorflow / core / common_runtime / gpu / gpu_device.cc：988] 0
2018-12-07 18：50：11.202823：I tensorflow / core / common_runtime / gpu / gpu_device.cc：1001] 0：N
2018-12-07 18：50：11.203189：我tensorflow / core / common_runtime / gpu / gpu_device.cc：1115]创建了TensorFlow设备（/ job：localhost /副本：0 /任务：0 /设备：GPU：0与15123 MB内存）->物理GPU（设备：0，名称：Tesla P100-PCIE-16GB，pc 我的总线ID：0000：84：00.0，计算能力：6.0）关闭错误：“图像”对象没有属性“ fp”

找到12553个属于5004类的图像。
找到3144个属于5004类的图像。
时代1/1000
  1/392 [....................................]-预计到达时间：20：55-损失：8.5183-累计：0.0000e +00
关闭错误：“图像”对象没有属性“ fp”
关闭错误：“图像”对象没有属性“ fp”
  3/392 [....................................]-预计到达时间：7：05-损失：8.5180-累计：0.0000e +00
关闭错误：“图像”对象没有属性“ fp”
  5/392 [....................................]-预计到达时间：4:18-损失：8.5180-acc：0.0000e +00
关闭错误：“图像”对象没有属性“ fp”
关闭错误：“图像”对象没有属性“ fp”
关闭错误：“图像”对象没有属性“ fp”
关闭错误：“图像”对象没有属性“ fp”
  6/392 [....................................]-预计：3:40-损失：8.5177-累积：0.0000e +00
关闭错误：“图像”对象没有属性“ fp”
  8/392 [....................................]-预计：2:47-损失：8.5183-累积：0.0000e +00
关闭错误：“图像”对象没有属性“ fp”
关闭错误：“图像”对象没有属性“ fp”
关闭错误：“图像”对象没有属性“ fp”
.....
关闭错误：“图像”对象没有属性“ fp”
关闭错误：“图像”对象没有属性“ fp”
  9/392 [..............................]-ETA：3:01-损失：8.5182-acc：0.0000e +00
关闭错误：“图像”对象没有属性“ fp”

代码

import tensorflow as tf
import pandas as pd
import math

batch_size = 32

train_datagen = tf.keras.preprocessing.image.ImageDataGenerator(
        rotation_range=5,
        rescale=1./255,
        shear_range=0.2,
        zoom_range=0.2,
        horizontal_flip=True,
        vertical_flip=True)
    #width_shift_range=0.2,
        #height_shift_range=0.2)

si = 250

train_generator = train_datagen.flow_from_dataframe(
    dataframe=df_train,
    directory="./train",
    color_mode="grayscale",
    has_ext=True,
    classes=classes,
    x_col="Image",
    y_col="Id",
    target_size=(si, si),  # all images will be resized to 150x150
    batch_size=batch_size,
    class_mode="categorical")  # since we use binary_crossentropy loss, we need binary labels

test_datagen = tf.keras.preprocessing.image.ImageDataGenerator(rescale=1./255)

valid_generator = train_datagen.flow_from_dataframe(
    dataframe=df_test,
    directory="./train",
    color_mode="grayscale",
    has_ext=True,
    classes=classes,
    x_col="Image",
    y_col="Id",
    target_size=(si, si),  # all images will be resized to 150x150
    batch_size=batch_size,
    class_mode="categorical")  # since we use binary_crossentropy loss, we need binary labels

# learning rate schedule
def step_decay(epoch):
    initial_lrate = 4.0
    drop = 0.5
    epochs_drop = 10.0
    lrate = initial_lrate * math.pow(drop, math.floor((1+epoch)/epochs_drop))
    return lrate


model = tf.keras.models.Sequential()
model.add(tf.keras.layers.Conv2D(16, kernel_size=(3, 3), activation='relu', input_shape=(si,si,1), kernel_initializer=tf.keras.initializers.glorot_normal(seed=None)))
model.add(tf.keras.layers.Conv2D(16, (3, 3), activation='relu', kernel_initializer=tf.keras.initializers.glorot_normal(seed=None)))
model.add(tf.keras.layers.MaxPooling2D(pool_size=(2, 2)))

model.add(tf.keras.layers.Conv2D(8, (3, 3), activation='relu', kernel_initializer=tf.keras.initializers.glorot_normal(seed=None)))
model.add(tf.keras.layers.MaxPooling2D(pool_size=(2, 2)))

model.add(tf.keras.layers.Dropout(0.25))
model.add(tf.keras.layers.Flatten())

model.add(tf.keras.layers.Dense(100, activation='relu', kernel_initializer=tf.keras.initializers.glorot_normal(seed=None)))
model.add(tf.keras.layers.Dropout(0.1))
model.add(tf.keras.layers.Dense(80, activation='relu', kernel_initializer=tf.keras.initializers.glorot_normal(seed=None)))
model.add(tf.keras.layers.Dense(len(classes), activation='softmax', kernel_initializer=tf.keras.initializers.glorot_normal(seed=None)))

model.compile(loss=tf.keras.losses.categorical_crossentropy,
optimizer=tf.keras.optimizers.Adadelta(),
metrics=['accuracy'])


STEP_SIZE_TRAIN=train_generator.n//train_generator.batch_size
STEP_SIZE_VALID=valid_generator.n//valid_generator.batch_size

print(STEP_SIZE_TRAIN)

lrate = tf.keras.callbacks.LearningRateScheduler(step_decay)

csv_logger = tf.keras.callbacks.CSVLogger('log.csv', append=True, separator=';')

filepath="weights-improvement-{epoch:02d}-{val_acc:.2f}.hdf5"
checkpoint = tf.keras.callbacks.ModelCheckpoint(filepath, monitor='val_acc', verbose=1, save_best_only=True, mode='max')


model.fit_generator(
        generator=train_generator,
        steps_per_epoch=STEP_SIZE_TRAIN,
        epochs=1000,
        verbose=1,
        validation_data=valid_generator,
        validation_steps=STEP_SIZE_VALID, callbacks=[csv_logger, checkpoint, lrate])

Answer 1

这是Image类（从PIL或枕头包中）的close（）方法抛出的调试消息：

 try:
    if hasattr(self, "_close__fp"):
            self._close__fp()
        self.fp.close()
        self.fp = None
    except Exception as msg:
        logger.debug("Error closing: %s", msg)

Close（）方法由load（）图像方法调用。但是，load（self）并未定义self.fp属性。

最简单的方法是切换日志记录模式，不显示调试消息。例如。这样：

import logging
logging.basicConfig(level=logging.ERROR # show only error msgs,
                    format='%(asctime)s - %(message)s',
                    datefmt='%Y-%m-%d %H:%M:%S')

否则，您应该从PIL修复Image.py文件。

Tensorflow ImageDataGenerator关闭错误：“图像”对象没有属性“ fp”

日志

代码

1 个答案: