Tensorflow ValueError: Trop de vaues pour décompresser (attendu 2)

Question

J'ai regardé cela sur Reddit, Stack Overflow, les forums techniques, la documentation, les problèmes GitHub etc. etc et ne peut toujours pas résoudre ce problème.

Pour référence, j'utilise Python 3 TensorFlow sous Windows 10, 64 bits. J'essaie d'utiliser mon propre jeu de données (300 photos de chats, 512x512, format .png) en Tensorflow pour l'entraîner à savoir à quoi ressemble un chat. Si cela fonctionne je vais l'entraîner avec d'autres animaux et éventuellement des objets. Je n'arrive pas à comprendre pourquoi je reçois l'erreur ValueError: too many values to unpack (expected 2). L'erreur apparaît dans la ligne images,labal = create_batches(10), qui pointe vers ma fonction create_batches (voir ci-dessous). Je ne sais pas ce qui pourrait être la cause de ce que je suis assez nouveau à TensorFlow. J'essaie de créer mon propre réseau de neurones basé sur le jeu de données MNIST. Code ci-dessous:

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})) 

Et l'erreur:

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 

Mon lien GitHub link si quelqu'un en a besoin. Le dossier du projet est le "imgpredict".

Answer 1

Vous cédez vos résultats de manière incorrecte:

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

qui vous donne une valeur qui est cédée, mais quand vous appelez y méthode ous vous attendez deux valeurs obtenues:

images,labal = create_batches(10) 

Soit deux valeurs donné, comme:

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

(uncomment) ou tout simplement attendre un.

Modifier: Vous devez utiliser entre parenthèses à la fois le rendement et lors de la réception des résultats comme celui-ci:

#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) 

Cependant ce n'est pas la façon dont je l'ai utilisé l'option yield; un général Itère sur votre méthode qui retourne le générateur, dans votre cas, il devrait ressembler à ceci:

#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}) 

Vous pouvez également consulter this question concernant l'utilisateur des yield et des générateurs.

Answer 2

Vous avez commenté le deuxième article de retour.

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

Vous donner une liste unique à attribuer à images, et il n'y a rien pour labal. Supprimez cette marque de commentaire ou indiquez une valeur factice si vous êtes en mode de débogage.

---

MISE À JOUR

cette ligne séparée et vérifier ce que vous essayez de revenir:

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