CNNモデルのsummaryの表示のさせ方がわからない

前提・実現したいこと

2つの画像を判別するCNNのサマリーを表示させたいのですがやりかたがわかりません。
教えてください

発生している問題・エラーメッセージ

AttributeError                            Traceback (most recent call last)
<ipython-input-5-db7da2c0b65d> in <module>
    102     save_path = saver.save(sess, "model.ckpt")
    103     model = ('model.ckpt')
--> 104     model.summary()

AttributeError: 'str' object has no attribute 'summary'

該当のソースコード

python3
1import sys
2import cv2
3import numpy as np
4import tensorflow as tf
5import tensorflow.python.platform
6import os
7import matplotlib.pyplot as plt
8
9NUM_CLASSES = 2
10IMAGE_SIZE = 28
11IMAGE_PIXELS = IMAGE_SIZE*IMAGE_SIZE*3
12
13flags = tf.app.flags
14FLAGS = flags.FLAGS
15tf.app.flags.DEFINE_string('f', '', 'kernel')
16flags.DEFINE_string('train', 'train.txt', 'File name of train data')
17flags.DEFINE_string('test', 'test.txt', 'File name of train data')
18flags.DEFINE_string('train_dir', '/tmp/data', 'Directory to put the training data.')
19flags.DEFINE_integer('max_steps', 200, 'Number of steps to run trainer.')
20flags.DEFINE_integer('batch_size', 64, 'Batch size'
21                     'Must divide evenly into the dataset sizes.')
22flags.DEFINE_float('learning_rate', 1e-5, 'Initial learning rate.')
23
24def inference(images_placeholder, keep_prob):
25    """ 予測モデルを作成する関数
26
27    引数: 
28      images_placeholder: 画像のplaceholder
29      keep_prob: dropout率のplace_holder
30
31    返り値:
32      y_conv: 各クラスの確率(のようなもの)
33    """
34    # 重みを標準偏差0.1の正規分布で初期化
35    def weight_variable(shape):
36      initial = tf.truncated_normal(shape, stddev=0.1)
37      return tf.Variable(initial)
38
39    # バイアスを標準偏差0.1の正規分布で初期化
40    def bias_variable(shape):
41      initial = tf.constant(0.1, shape=shape)
42      return tf.Variable(initial)
43
44    # 畳み込み層の作成
45    def conv2d(x, W):
46      return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')
47
48    # プーリング層の作成
49    def max_pool_2x2(x):
50      return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],
51                            strides=[1, 2, 2, 1], padding='SAME')
52    
53    # 入力を28x28x3に変形
54    x_image = tf.reshape(images_placeholder, [-1, 28, 28, 3])
55
56    # 畳み込み層1の作成
57    with tf.name_scope('conv1') as scope:
58        W_conv1 = weight_variable([5, 5, 3, 32])
59        b_conv1 = bias_variable([32])
60        h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
61
62    # プーリング層1の作成
63    with tf.name_scope('pool1') as scope:
64        h_pool1 = max_pool_2x2(h_conv1)
65    
66    # 畳み込み層2の作成
67    with tf.name_scope('conv2') as scope:
68        W_conv2 = weight_variable([5, 5, 32, 64])
69        b_conv2 = bias_variable([64])
70        h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)
71
72    
73        
74    # プーリング層2の作成
75    with tf.name_scope('pool2') as scope:
76        h_pool2 = max_pool_2x2(h_conv2)
77
78    # 全結合層1の作成
79    with tf.name_scope('fc1') as scope:
80        W_fc1 = weight_variable([7*7*64, 1024])
81        b_fc1 = bias_variable([1024])
82        h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])
83        h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)
84        # dropoutの設定
85        h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)
86
87    # 全結合層2の作成
88    with tf.name_scope('fc3') as scope:
89        W_fc2 = weight_variable([1024, NUM_CLASSES])
90        b_fc2 = bias_variable([NUM_CLASSES])
91
92    # ソフトマックス関数による正規化
93    with tf.name_scope('softmax') as scope:
94        model=tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)
95
96    # 各ラベルの確率のようなものを返す
97    return y_conv
98
99def loss(logits, labels):
100    """ lossを計算する関数
101
102    引数:
103      logits: ロジットのtensor, float - [batch_size, NUM_CLASSES]
104      labels: ラベルのtensor, int32 - [batch_size, NUM_CLASSES]
105
106    返り値:
107      cross_entropy: 交差エントロピーのtensor, float
108
109    """
110
111    # 交差エントロピーの計算
112    cross_entropy = -tf.reduce_sum(labels*tf.log(logits))
113    # TensorBoardで表示するよう指定
114    tf.summary.scalar("cross_entropy", cross_entropy)
115    return cross_entropy
116
117def training(loss, learning_rate):
118    """ 訓練のOpを定義する関数
119
120    引数:
121      loss: 損失のtensor, loss()の結果
122      learning_rate: 学習係数
123
124    返り値:
125      train_step: 訓練のOp
126
127    """
128
129    train_step = tf.train.AdamOptimizer(learning_rate).minimize(loss)
130    return train_step
131
132def accuracy(logits, labels):
133    """ 正解率(accuracy)を計算する関数
134
135    引数: 
136      logits: inference()の結果
137      labels: ラベルのtensor, int32 - [batch_size, NUM_CLASSES]
138
139    返り値:
140      accuracy: 正解率(float)
141
142    """
143    correct_prediction = tf.equal(tf.argmax(logits, 1), tf.argmax(labels, 1))
144    accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
145    tf.summary.scalar("accuracy", accuracy)
146    return accuracy
147
148#適合率（precision)を計算する関数
149def precision(logits, labels):
150    
151    preds  = tf.argmax(logits, 1)
152    labels = tf.argmax(labels, 1)
153    precision, update_op = tf.metrics.precision(labels, preds)
154    return precision
155
156if __name__ == '__main__':
157    
158         # ファイルを開く
159    f = open('train/train.txt')
160    # データを入れる配列
161    train_image = []
162    train_label = []
163    for line in f:
164        # 改行を除いてスペース区切りにする
165        line = line.rstrip()
166        l = line.split()
167        # データを読み込んで28x28に縮小
168        img = cv2.imread('train/'+l[0])
169        img = cv2.resize(img, (28, 28))
170        # 一列にした後、0-1のfloat値にする
171        train_image.append(img.flatten().astype(np.float32)/255.0)
172        # ラベルを1-of-k方式で用意する
173        tmp = np.zeros(NUM_CLASSES)
174        tmp[int(l[1])] = 1
175        train_label.append(tmp)
176    # numpy形式に変換
177    train_image = np.asarray(train_image)
178    train_label = np.asarray(train_label)
179    f.close()
180    
181    f = open('test/test.txt')
182    test_image = []
183    test_label = []
184    
185    for line in f:
186        line = line.rstrip()
187        l = line.split()
188        img = cv2.imread('test/'+l[0])
189        img = cv2.resize(img, (28, 28))
190        test_image.append(img.flatten().astype(np.float32)/255.0)
191        tmp = np.zeros(NUM_CLASSES)
192        tmp[int(l[1])] = 1
193        test_label.append(tmp)
194    test_image = np.asarray(test_image)
195    test_label = np.asarray(test_label)
196    f.close()
197    
198    with tf.Graph().as_default():
199        # 画像を入れる仮のTensor
200        images_placeholder = tf.placeholder("float", shape=(None, IMAGE_PIXELS))
201        # ラベルを入れる仮のTensor
202        labels_placeholder = tf.placeholder("float", shape=(None, NUM_CLASSES))
203        # dropout率を入れる仮のTensor
204        keep_prob = tf.placeholder("float")
205
206        # inference()を呼び出してモデルを作る
207        logits = inference(images_placeholder, keep_prob)
208        # loss()を呼び出して損失を計算
209        loss_value = loss(logits, labels_placeholder)
210        # training()を呼び出して訓練
211        train_op = training(loss_value, FLAGS.learning_rate)
212        # 精度の計算
213        acc = accuracy(logits, labels_placeholder)
214        prec = precision(logits, labels_placeholder)
215
216        # 保存の準備
217        saver = tf.train.Saver()
218        # Sessionの作成
219        sess = tf.Session()
220        # 変数の初期化
221        sess.run(tf.initialize_all_variables())
222        # 訓練の実行
223        if len(train_image) % FLAGS.batch_size is 0:
224            train_batch = len(train_image)/FLAGS.batch_size
225        else:
226            train_batch = int((len(train_image)/FLAGS.batch_size)+1)
227        
228        shuffle_idx = np.arange(len(train_label))
229        
230        for step in range(FLAGS.max_steps):
231            np.random.shuffle(shuffle_idx)
232            for i in range(train_batch):
233                # batch_size分の画像に対して訓練の実行
234                batch = FLAGS.batch_size*i
235                batch_idx = shuffle_idx[batch:batch+FLAGS.batch_size]
236                # feed_dictでplaceholderに入れるデータを指定する
237                sess.run(train_op, feed_dict={
238                  images_placeholder: train_image[batch_idx],
239                  labels_placeholder: train_label[batch_idx],
240                  keep_prob: 1.0})
241
242            # 1 step終わるたびに精度を計算する
243            train_accuracy = sess.run(acc, feed_dict={
244                images_placeholder: train_image,
245                labels_placeholder: train_label,
246                keep_prob: 1.0})
247            print(step, train_accuracy)
248
249
250    # 訓練が終了したらテストデータに対する精度を表示
251    print(sess.run(acc, feed_dict={
252        images_placeholder: test_image,
253        labels_placeholder: test_label,
254        keep_prob: 1.0}))
255    
256    # 最終的なモデルを保存
257    save_path = saver.save(sess, "model.ckpt")
258    model = ('model.ckpt')
259    model.summary()

試したこと

model.summary()で表示させるのはわかって試してみたんですが、modelが定義されていないとでたのでsummaryの前にmodel=と書いてみたのですがうまくいかなかったです。

行動規範の内容に同意します

回答1件

ベストアンサー


    # ソフトマックス関数による正規化
    with tf.name_scope('softmax') as scope:
        model=tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)

    # 各ラベルの確率のようなものを返す

ここの model を使います。
使い方は、あなたがどういう属性の変数をどう使いたいかで変わります。

投稿2019/10/21 07:46

Q71

総合スコア995

redandgreen

2019/10/22 05:56

回答ありがとうございます。 Layer (type)やOutput ShapeやParam #を一覧の表で表示させたいのですがどうすればいいですか。教えてください。お願いします。

Q71

2019/10/22 11:01

変数にはスコープと呼ばれる有効範囲があります。その範囲以内であれば使用できます。最初の質問は、その範囲を超えたところで使用しようとしています。表示させたいのであれば表示させたい属性を持っている変数が有効なところで使用してください。ということで、「あなたがどういう属性の変数をどう使いたいかで変わります。」

redandgreen

2019/10/23 06:35

詳しい解説ありがとうございます。意味が分かりました。少しやってみます。

行動規範の内容に同意します