独自のデータセットを用いるとtkinter.TclErrorが出てしまう

Question

前提・実現したいこと

Python初心者です。

Resnet18画像分類の訓練済みモデルを用いて人の顔を見分けるためのファインチューニングを実施しようとしています。Pytorchの公式チュートリアルを参考にコードを書きました。学習はされますが学習済みモデル(arashi.pth)が保存されず"tkinter.TclError"になってしまいます。

間違っている箇所があれば指摘していただけると幸いです。
用意されているデータセットで行った際は問題なく実装できました。

発生している問題・エラーメッセージ

Traceback (most recent call last):
  File "Finetuning/5_10.py", line 133, in <module>
    imshow(out, title=[class_names[x] for x in classes])
  File "Finetuning/5_10.py", line 27, in imshow
    plt.pause(10)  # pause a bit so that plots are updated
  File "/home/selen/.pyenv/versions/3.7.3/lib/python3.7/site-packages/matplotlib/pyplot.py", line 313, in pause
    canvas.start_event_loop(interval)
  File "/home/selen/.pyenv/versions/3.7.3/lib/python3.7/site-packages/matplotlib/backend_bases.py", line 2288, in start_event_loop
    self.flush_events()
  File "/home/selen/.pyenv/versions/3.7.3/lib/python3.7/site-packages/matplotlib/backends/_backend_tk.py", line 405, in flush_events
    self._master.update()
  File "/home/selen/.pyenv/versions/3.7.3/lib/python3.7/tkinter/__init__.py", line 1177, in update
    self.tk.call('update')
_tkinter.TclError: can't invoke "update" command: application has been destroyed

該当のソースコード

from __future__ import print_function, division

import torch
import torch.nn as nn
import torch.optim as optim
from torch.optim import lr_scheduler
import numpy as np
import torchvision
from torchvision import datasets, models, transforms
import matplotlib.pyplot as plt
import time
import os
import copy

plt.ion()   # interactive mode

def imshow(inp, title=None):
    """Imshow for Tensor."""
    inp = inp.numpy().transpose((1, 2, 0))
    mean = np.array([0.485, 0.456, 0.406])
    std = np.array([0.229, 0.224, 0.225])
    inp = std * inp + mean
    inp = np.clip(inp, 0, 1)
    plt.imshow(inp)
    if title is not None:
        plt.title(title)
    plt.pause(10)  # pause a bit so that plots are updated

def train_model(model, criterion, optimizer, scheduler, num_epochs=25):
    since = time.time()

    best_model_wts = copy.deepcopy(model.state_dict())
    best_acc = 0.0

    for epoch in range(num_epochs):
        print('Epoch {}/{}'.format(epoch, num_epochs - 1))
        print('-' * 10)

        # Each epoch has a training and validation phase
        for phase in ['train', 'val']:
            if phase == 'train':
                model.train()  # Set model to training mode
            else:
                model.eval()   # Set model to evaluate mode

            running_loss = 0.0
            running_corrects = 0

            # Iterate over data.
            for inputs, labels in dataloaders[phase]:
                inputs = inputs.to(device)
                labels = labels.to(device)

                # zero the parameter gradients
                optimizer.zero_grad()

                # forward
                # track history if only in train
                with torch.set_grad_enabled(phase == 'train'):
                    outputs = model(inputs)
                    _, preds = torch.max(outputs, 1)
                    loss = criterion(outputs, labels)

                    # backward + optimize only if in training phase
                    if phase == 'train':
                        loss.backward()
                        optimizer.step()

                # statistics
                running_loss += loss.item() * inputs.size(0)
                running_corrects += torch.sum(preds == labels.data)
            if phase == 'train':
                scheduler.step()

            epoch_loss = running_loss / dataset_sizes[phase]
            epoch_acc = running_corrects.double() / dataset_sizes[phase]

            print('{} Loss: {:.4f} Acc: {:.4f}'.format(
                phase, epoch_loss, epoch_acc))

            # deep copy the model
            if phase == 'val' and epoch_acc > best_acc:
                best_acc = epoch_acc
                best_model_wts = copy.deepcopy(model.state_dict())

        print()

    time_elapsed = time.time() - since
    print('Training complete in {:.0f}m {:.0f}s'.format(
        time_elapsed // 60, time_elapsed % 60))
    print('Best val Acc: {:4f}'.format(best_acc))

    # load best model weights
    model.load_state_dict(best_model_wts)
    return model

data_transforms = {
    'train': transforms.Compose([
        transforms.RandomResizedCrop(224),
        transforms.RandomHorizontalFlip(),
        transforms.ToTensor(),
        transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
    ]),
    'val': transforms.Compose([
        transforms.Resize(256),
        transforms.CenterCrop(224),
        transforms.ToTensor(),
        transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
    ]),
}

data_dir = '/home/selen/downloads'
image_datasets = {x: datasets.ImageFolder(os.path.join(data_dir, x),
                                          data_transforms[x])
                  for x in ['train', 'val']}
dataloaders = {x: torch.utils.data.DataLoader(image_datasets[x], batch_size=4,
                                             shuffle=True, num_workers=4)
              for x in ['train', 'val']}
dataset_sizes = {x: len(image_datasets[x]) for x in ['train', 'val']}
class_names = image_datasets['train'].classes

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")




# Get a batch of training data
inputs, classes = next(iter(dataloaders['train']))

# Make a grid from batch
out = torchvision.utils.make_grid(inputs)

imshow(out, title=[class_names[x] for x in classes])

model_ft = models.resnet18(pretrained=True)
num_ftrs = model_ft.fc.in_features
# Here the size of each output sample is set to 2.
# Alternatively, it can be generalized to nn.Linear(num_ftrs, len(class_names)).
model_ft.fc = nn.Linear(num_ftrs, 2)

model_ft = model_ft.to(device)

criterion = nn.CrossEntropyLoss()

# Observe that all parameters are being optimized
optimizer_ft = optim.SGD(model_ft.parameters(), lr=0.001, momentum=0.9)

# Decay LR by a factor of 0.1 every 7 epochs
exp_lr_scheduler = lr_scheduler.StepLR(optimizer_ft, step_size=7, gamma=0.1)

model_ft = train_model(model_ft, criterion, optimizer_ft, exp_lr_scheduler,
                       num_epochs=25)
#学習済みデータ保存
PATH = './arashi.pth'
torch.save(model_ft.state_dict(), PATH)

Comments

[teamikl]

＞Pytorchの公式チュートリアルを参考にコードを書きました。

具体的にどのあたりが、
元のうまくいく部分から改変した部分なのかを提示できますか？

[Hiro051]

data_dir = '/home/selen/downloads'
PATH = './arashi.pth'
変えたのはここのみです。

Answer 1

pytorchは解らないので、直接回答ではありませんが、
matplotlibでの該当のエラーは TkAgg を使う際に確認できます。

win10/anaconda にて、コマンドラインでの実行で
imshowのウィンドウが表示され、ウィンドウを閉じた時に同じエラーが表示される。

matplotlib.use("TkAgg") の行を消すと正常に終了。

import matplotlib
import matplotlib.backends
import matplotlib.pyplot as plt

matplotlib.use("TkAgg")

def imshow(title=None):
    print(matplotlib.backends.backend) # <-- backendの確認

    plt.title(title)
    plt.pause(10)  # pause a bit so that plots are updated

imshow("OK")

質問されてる問題と関連があるかは解りませんが、
バックエンド等の設定が何処かで意図しない挙動になっていないか、
問題がない場合との両方のコードで確認して見て下さい。

• mathplotlib faq: what is a backend

Comments

[Hiro051]

バージョンアップしたところ直りました。
ありがとうございました！