Python 无法使用标准32位LAPACK执行计算

我正在使用VGG训练我的数据集，如下所示。它在没有zca增白的情况下运行良好，但在添加zca后，它会导致一个名为

“无法使用标准32位LAPACK执行计算”

。正如你所看到的，我试图训练batchsize的数量……等等。。到1，甚至只训练6个图像，但它仍然不起作用。我该怎么办

这是我的密码

import os
from keras.applications.vgg16 import VGG16
from keras.preprocessing.image import ImageDataGenerator
from keras.models import Sequential, Model
from keras.layers import Input, Activation, Dropout, Flatten, Dense
from keras.preprocessing.image import ImageDataGenerator
from keras import optimizers
import numpy as np
import time
from PIL import Image 
import csv
import shutil

# 分類するクラス
classes = ['sugi', 'hinoki']
nb_classes = len(classes)

img_width, img_height = 256, 256

# トレーニング用とバリデーション用の画像格納先
train_data_dir = 'dataset/train1'
#validation_data_dir = 'dataset/validation'

# 今回はトレーニング用に200枚、バリデーション用に50枚の画像を用意した。
nb_train_samples = 1998
#nb_validation_samples = 50

batch_size = 32
nb_epoch = 10
gen_tr_batches = 4
folder = './output'
result_dir = 'results'
if not os.path.exists(result_dir):
    os.mkdir(result_dir)
train_imagelist = os.listdir(train_data_dir)

def vgg_model_maker():
    """ VGG16のモデルをFC層以外使用。FC層のみ作成して結合して用意する """

    # VGG16のロード。FC層は不要なので include_top=False
    input_tensor = Input(shape=(img_width, img_height, 3))
    vgg16 = VGG16(include_top=False, weights='imagenet', input_tensor=input_tensor)

    # FC層の作成
    top_model = Sequential()
    top_model.add(Flatten(input_shape=vgg16.output_shape[1:]))
    top_model.add(Dense(256, activation='relu'))
    top_model.add(Dropout(0.5))
    top_model.add(Dense(nb_classes, activation='softmax'))

    # VGG16とFC層を結合してモデルを作成
    model = Model(input=vgg16.input, output=top_model(vgg16.output))

    return model



def image_generator():
    """ ディレクトリ内の画像を読み込んでトレーニングデータとバリデーションデータの作成 """
    gen_train = (ImageDataGenerator(rescale=1.0 / 255.).flow_from_directory(train_data_dir,
                    target_size=(img_width, img_height),
                    #color_mode='rgb',
                    batch_size=batch_size,
                    shuffle=True))

    gen_tr_x = np.vstack(next(gen_train)[0] for _ in range(gen_tr_batches))

    #train_datagen = ImageDataGenerator(
    #    rescale=1.0 / 255,
    #    zoom_range=0.2,
    #    horizontal_flip=True,
    #    zca_whitening = True)


    g = ImageDataGenerator(rescale=1.0 / 255.,
                        zca_whitening=True)
    g.fit(gen_tr_x)

    #validation_datagen = ImageDataGenerator(rescale=1.0 / 255)

    train_generator = g.flow_from_directory(
        train_data_dir,
        classes=classes,
        class_mode='categorical')


    #validation_generator = validation_datagen.flow_from_directory(
       # validation_data_dir,
        #target_size=(img_width, img_height),
        #color_mode='rgb',
        #classes=classes,
        #class_mode='categorical',
        #batch_size=batch_size,
        #shuffle=True)

    return (train_generator)





# Generator for the network's training generator.



# Actual generator for the network's training.


if __name__ == '__main__':
    start = time.time()

    for the_file in os.listdir(folder):
        file_path = os.path.join(folder, the_file)
        try:
            if os.path.isfile(file_path):
                os.unlink(file_path)
        #elif os.path.isdir(file_path): shutil.rmtree(file_path)
        except Exception as e:
            print(e)

    # モデル作成
    vgg_model = vgg_model_maker()

    # 最後のconv層の直前までの層をfreeze
    for layer in vgg_model.layers[:15]:
        layer.trainable = False

    # 多クラス分類を指定
    vgg_model.compile(loss='categorical_crossentropy',
              optimizer=optimizers.SGD(lr=1e-3, momentum=0.9),
              metrics=['accuracy'])

    # 画像のジェネレータ生成
    train_generator =  image_generator()


    # Fine-tuning
    history_callback = vgg_model.fit_generator(
        train_generator,
        samples_per_epoch=nb_train_samples,
        nb_epoch=nb_epoch)
        #validation_data=validation_generator,
        #nb_val_samples=nb_validation_samples)

    loss_history = history_callback.history["loss"]
    accuracy_history = history_callback.history["acc"]
    numpy_loss_history = np.array(loss_history)
    numpy_accuracy_history = np.array(accuracy_history)

    f = open("result.csv","w")
    writer = csv.writer(f)
    writer.writerow(["loss","accuracy"])
    for j in range(len(numpy_loss_history)):
        writer.writerow([numpy_loss_history[j],numpy_accuracy_history[j]])

    vgg_model.save_weights(os.path.join(result_dir, 'finetuning.h5'))

    process_time = (time.time() - start) / 60
    print(u'学習終了。かかった時間は', process_time, u'分です。')

---

我的猜测是，这不是一个

tensorflow

问题，而是一个

numpy

问题，我猜这是因为当您尝试将

zca

参数设置为

True

时所发生的事情：

    if self.zca_whitening:
        if self.principal_components is not None:
            flatx = np.reshape(x, (-1, np.prod(x.shape[-3:])))
            whitex = np.dot(flatx, self.principal_components)
            x = np.reshape(whitex, x.shape)

默认情况下，当您安装

numpy

时，它会尝试查找系统上安装的低级线性代数库，并使用该库

LAPACK

就是其中之一

如果没有可用的库，

numpy

将使用自己的代码。因此，请尝试安装

numpy

，而不使用以下建议的任何库：

如果仍然使用库，请尝试给出的解决方案

---

然后，如果上述解决方法解决了您的问题，请尝试编译64位

LAPACK

，并针对它编译

numpy

。

我的猜测是，这不是

tensorflow

问题，而是

numpy

问题，我猜这是因为当你试图将

zca

参数设置为

True

时发生的事情：

    if self.zca_whitening:
        if self.principal_components is not None:
            flatx = np.reshape(x, (-1, np.prod(x.shape[-3:])))
            whitex = np.dot(flatx, self.principal_components)
            x = np.reshape(whitex, x.shape)

默认情况下，当您安装

numpy

时，它会尝试查找系统上安装的低级线性代数库，并使用该库

LAPACK

就是其中之一

如果没有可用的库，

numpy

将使用自己的代码。因此，请尝试安装

numpy

，而不使用以下建议的任何库：

如果仍然使用库，请尝试给出的解决方案

---

然后，如果上述解决方法解决了您的问题，请尝试编译64位

LAPACK

，并针对它编译

numpy

。

这回答了在非常大的矩阵上使用

LAPACK

函数（如

svd

）时观察到的更普遍的问题。

而不是：

import numpy as np
from scipy.linalg import svd

a = np.ones((30000,30000))
u,s,v = svd(a) # this fails

使用：

我的官方机票上有一个例子：

---

这回答了在非常大的矩阵上使用

lapack

函数（如

svd

）时观察到的更普遍的问题。

而不是：

import numpy as np
from scipy.linalg import svd

a = np.ones((30000,30000))
u,s,v = svd(a) # this fails

使用：

我的官方机票上有一个例子：

---

谢谢。如果没有那种库，我怎么能安装numpy呢？嘿，我在试你说的，但我不知道numpy的源代码在我的电脑里哪里。一旦我感觉自己几乎找到了它，命令行就说：“这是要运行的错误setup.py文件”您不应该尝试在您的计算机上查找

numpy

源代码，您应该遵循文档中给出的安装路径。超链接在我给出的答案中。是的，现在错误消失了，但还有另一个错误：在g.fit（gen_tr_x）中，程序引发“内存错误”。相关吗？这条线也提到了sigma=np.dot（flat_x.T，flat_x）/flat_x.shape[0]谢谢。如果没有那种库，我怎么能安装numpy呢？嘿，我在试你说的，但我不知道numpy的源代码在我的电脑里哪里。一旦我感觉自己几乎找到了它，命令行就说：“这是要运行的错误setup.py文件”您不应该尝试在您的计算机上查找

numpy

源代码，您应该遵循文档中给出的安装路径。超链接在我给出的答案中。是的，现在错误消失了，但还有另一个错误：在g.fit（gen_tr_x）中，程序引发“内存错误”。它是否相关？这条线也提到了sigma=np.dot（flat_x.T，flat_x）/flat_x.shape[0]