Tensorflow 错误'；标记和值不相同'；使用tf.metrics.auc时
我正在尝试将分割任务的AUC记录到tensorboard，但遇到了一些无法解决的问题。我知道当不包括AUC相关行时，代码会一直运行到完成。似乎传递给tf.metrics.auc的两个变量中的一个没有与之相关的形状 我的培训代码定义如下：Tensorflow 错误'；标记和值不相同'；使用tf.metrics.auc时,tensorflow,deep-learning,Tensorflow,Deep Learning,我正在尝试将分割任务的AUC记录到tensorboard，但遇到了一些无法解决的问题。我知道当不包括AUC相关行时，代码会一直运行到完成。似乎传递给tf.metrics.auc的两个变量中的一个没有与之相关的形状 我的培训代码定义如下： def run_model(): valCosts=[] GLOBAL_STEP = 0 minLoss=10000000000 pred = uNet3D_noBN(X, BETA[j], KERNEL_SIZE) c
def run_model():
valCosts=[]
GLOBAL_STEP = 0
minLoss=10000000000
pred = uNet3D_noBN(X, BETA[j], KERNEL_SIZE)
cost = tf.reduce_sum(tf.nn.sigmoid_cross_entropy_with_logits(labels=tf.reshape(Y,[-1]),logits=tf.reshape(pred,[-1])))
auc = tf.metrics.auc(tf.reshape(Y,[-1]),tf.reshape(tf.nn.sigmoid(pred), [-1] ), num_thresholds=50)
update_ops = tf.get_collection(tf.GraphKeys.UPDATE_OPS)
with tf.control_dependencies(update_ops):
# this with statement updates the BN parameters if BN is being used
optimizer = tf.train.AdamOptimizer(learning_rate=LR[i]).minimize(cost)
with tf.name_scope("training"):
tf.summary.scalar("training_cost", cost, collections=['training'])
tf.summary.scalar("training_auc", auc, collections=['training'])
for var in tf.trainable_variables():
tf.summary.histogram(var.op.name , var, collections=['training'])
with tf.name_scope("validation"):
tf.summary.scalar("validation_cost", cost, collections=['validation'])
tf.summary.scalar("validation_auc", auc, collections=['validation'])
saver = tf.train.Saver()
with tf.Session() as sess:
train_merge = tf.summary.merge_all(key='training')
validation_merge = tf.summary.merge_all(key='validation')
train_writer = tf.summary.FileWriter( graphDir + '/training/', sess.graph)
validation_writer = tf.summary.FileWriter( graphDir + '/testing/', sess.graph)
print('Beginning Session!')
sess.run(tf.global_variables_initializer())
sess.run(tf.local_variables_initializer())
print('Running Model!')
while GLOBAL_STEP <= int(np.floor(MAX_ITER/BATCH_SIZE[k])):
if GLOBAL_STEP % NUM_STEPS != 0:
x,y=draw_batch(train_dir,BATCH_SIZE[k])
y[y>0]=1
flip = random.uniform(0,1)
if flip>0.5:
x = np.flip(x,2)
y = np.flip(y,2)
_, acc, c = sess.run([optimizer, train_merge, cost], feed_dict = {X: x, Y: y})
_
train_writer.add_summary(acc, GLOBAL_STEP)
#train_writer.add_summary(summary, GLOBAL_STEP)
else:
x,y=draw_batch(val_dir,BATCH_SIZE[k])
y[y>0]=1
acc, c = sess.run([validation_merge,cost], feed_dict = {X: x, Y: y})
validation_writer.add_summary(acc, GLOBAL_STEP)
#validation_writer.add_summary(summary, GLOBAL_STEP)
#save_path=saver.save(sess, outDir + '/model')
print(c)
if c < minLoss:
save_path=saver.save(sess, outDir + '/model')
minLoss=c
valCosts.append(c)
GLOBAL_STEP+=1
g= open(graphDir+'/val.pickle', 'w+')
pickle.dump([valCosts], g)
for k in range(0,len(BATCH_SIZE)):
for i in range(0, len(BETA)):
for j in range(0, len(LR)):
X = tf.placeholder(tf.float32, shape=[BATCH_SIZE[k], None, None, None, 1], name='X') #input
Y = tf.placeholder(tf.float32, shape = [BATCH_SIZE[k], None, None, None, 1], name='Y') #'labels'
hypers = dict(zip(('LR','EPS','BETA', 'BATCH_SIZE', 'NUM_STEPS', 'KERNEL_SIZE', 'NUM_CHANNELS'), (LR[i], EPS, BETA[j], BATCH_SIZE[k], NUM_STEPS, KERNEL_SIZE, NUM_CHANNELS)))
os.chdir(launch)
timestr = time.strftime("%Y%m%d-%H%M%S")
outDir = '/home/mira/karl_data/striatum/outputs/' + timestr
os.mkdir(outDir)
graphDir = outDir
os.mkdir(graphDir + '/training/')
os.mkdir(graphDir + '/testing/')
with open(outDir + '/hyperparams.txt', 'w+') as f:
for key, value in hypers.items():
f.write('%s:%s\n' % (key, value))
run_model()
tf.reset_default_graph()
def run_model（）：
成本=[]
全局步进=0
最小损失=1000000000
pred=uNet3D_noBN（X，β[j]，内核大小）
成本=tf.减少总和（tf.nn.sigmoid\u交叉\u熵\u与logits（标签=tf.重塑（Y，[-1]），logits=tf.重塑（pred，[-1]））
auc=tf.metrics.auc（tf.reformate（Y，[-1]），tf.reformate（tf.nn.sigmoid（pred，[-1]），num_阈值=50）
update\u ops=tf.get\u集合（tf.GraphKeys.update\u ops）
使用tf.control\u依赖项（更新操作）：
#如果正在使用BN，此with语句将更新BN参数
优化器=tf.train.AdamOptimizer（学习率=LR[i]）。最小化（成本）
具有tf.name_范围（“培训”）：
tf.summary.scalar（“培训成本”，成本，集合=['training']））
tf.summary.scalar（“training_auc”，auc，collections=['training']）
对于tf.trainable_variables（）中的变量：
直方图（var.op.name，var，collections=['training']）
使用tf.name_范围（“验证”）：
scalar（“验证成本”，成本，集合=['validation']）
scalar（“validation_auc”，auc，collections=['validation']）
saver=tf.train.saver（）
使用tf.Session（）作为sess：
train\u merge=tf.summary.merge\u all（key='training'）
验证\u merge=tf.summary.merge\u all（key='validation'）
train_writer=tf.summary.FileWriter（graphDir+'/training/'，sess.graph）
验证_writer=tf.summary.FileWriter（graphDir+'/testing/'，sess.graph）
打印（'开始会话！'）
sess.run（tf.global\u variables\u initializer（））
sess.run（tf.local\u variables\u initializer（））
打印（'运行模型！'）
而全局_步骤0]=1
翻转=随机均匀（0,1）
如果翻转>0.5：
x=np.翻转（x，2）
y=np.翻转（y，2）
_，acc，c=sess.run（[optimizer，train\u merge，cost]，feed\u dict={X:X，Y:Y}）
_
培训编剧。添加摘要（acc、全局步骤）
#培训编剧。添加摘要（摘要，全局步骤）
其他：
x、 y=绘制批次（val\U dir，批次大小[k]）
y[y>0]=1
acc，c=sess.run（[validation\u merge，cost]，feed\u dict={X:X，Y:Y}）
验证\u编写器。添加\u摘要（acc，全局\u步骤）
#验证\u编写器。添加\u摘要（摘要、全局\u步骤）
#save_path=saver.save（sess，outDir+'/model'）
印刷品（c）
如果c