Python ValueError: invalid literal for int() with base 10: '' のエラーの改善

Question

前提・実現したいこと

PythonでCNNモデルを用い音声感情分類をするシステムを作っています。
ディレクトリ内のfeatureフォルダにそれぞれSession1~5までのフォルダがあり、
その中のtestフォルダ、trainフォルダにそれぞれtestデータとtrainデータの特徴量ファイルが入っています。

Google Colabratoryで実行しようとしたところ、以下のエラーメッセージが発生しました。
エラーの意味を調べてみたのですが原因と改善方法がどうしても分からなかったため、どなたかご教授いただきたいです。
よろしくお願いいたします。

発生している問題・エラーメッセージ

---> tf.random.set_seed(int(seed))
ValueError: invalid literal for int() with base 10: ''

該当のソースコード

# ライブラリ、パッケージのimport

emo_classes = 4
slen = 2913
f_dim = 40

args = sys.argv
argc = len(args)

if(argc!=3):
    print('Error: python cnn_model.py test_fold initial_value\n')
    quit()

fold = sys.argv[1]
seed = sys.argv[2]

tf.random.set_seed(int(seed))
np.random.seed(int(seed))
random.seed(int(seed))
os.environ['TF_DETERMINISTIC_OPS'] = '1'
os.environ['PYTHONHASHSEED'] = str(seed)

f_test_path = os.getcwd() + '/feature/Session' + fold + '/test/'
f_train_path = os.getcwd() + '/feature/Session' + fold + '/train/'
l_test_path = os.getcwd() + '/label/impro/Session' + fold + '.csv'

if fold == '1':
    l_train_path = os.getcwd() + '/label/impro/Session[2345].csv'

if fold == '2':
    l_train_path = os.getcwd() + '/label/impro/Session[1345].csv'

if fold == '3':
    l_train_path = os.getcwd() + '/label/impro/Session[1245].csv'

if fold == '4':
    l_train_path = os.getcwd() + '/label/impro/Session[1235].csv'

if fold == '5':
    l_train_path = os.getcwd() + '/label/impro/Session[1234].csv'

def hard_label(path):
    label=[]
    f_list = list(ii for ii in sorted(glob.glob(path)))
    for file_path in f_list:
        with open(file_path, 'r') as file:
            for line in file:
                line_sp = line.replace('Happiness', '0')
                line_sp = line_sp.replace('Anger', '1')
                line_sp = line_sp.replace('Neutral', '2')
                line_sp = line_sp.replace('Sadness', '3')
                line_sp = line_sp.replace('\n', '')
                line_sp = line_sp.split(',')
                if (len(line_sp)==10):
                    if (line_sp[9] == '0') or (line_sp[9] == '1') or (line_sp[9] == '2') or (line_sp[9] == '3'):
                        label.append(line_sp[9])
                        print(line_sp[0])
        file.close()
    label = np.array(label)
    label = label.astype('int16')
    #print(label)
    return label

def load_data(path):
    f_list = list(sorted(glob.glob(path + '*.npy')))
    X = np.zeros((len(f_list), slen, f_dim), dtype='float32')

    for fname, ii in zip(f_list, range(len(f_list))):
        tmp = np.load(fname)
        padd = np.zeros((slen-len(tmp), f_dim))
        X[ii] = np.vstack((tmp, padd))
    return X.reshape(len(X), slen, f_dim, 1)

def create_model(height, width, depth):
　　　　　　　　# モデルの定義
    return model

def categorical_focal_loss(num_classes, alpha, gamma, smooth_alpha):
    def categorical_focal_loss_fixed(y_true, y_pred):
        # categorical_focal_lossの計算
    return categorical_focal_loss_fixed

def categorical_crossentropy():
    def categorical_crossentropy_fixed(y_true, y_pred):
        # scale predictions so that the class probas of each sample sum to 1
        y_pred /= K.sum(y_pred, axis=-1, keepdims=True)
        # clip to prevent NaN's and Inf's
        y_pred = K.clip(y_pred, K.epsilon(), 1.-K.epsilon())
        loss = y_true * K.log(y_pred)
        loss = -K.sum(loss, -1)
        return loss
    return categorical_crossentropy_fixed

class Metrics(Callback):
    def __init__(self, validation, file_path):
        super(Metrics, self).__init__()
        self.file_path = file_path
        self.validation = validation

    def on_train_begin(self, epoch, logs={}):
        self.best_val_recall = 0
        self.val_recalls = []

    def on_epoch_end(self, epoch, logs={}):
        val_predict = np.argmax(self.model.predict(self.validation[0]), -1)
        val_targ = self.validation[1]

        if len(val_targ.shape) == 2 and val_targ.shape[1] != 1:
            val_targ = np.argmax(val_targ, -1)

        val_recall = recall_score(val_targ, val_predict, average='macro')
        _val_recall = recall_score(val_targ, val_predict, average=None)

        self.val_recalls.append(val_recall)

        if epoch == 0:
            print('epoch \t loss \t\t WA \t\t val_loss \t val_WA \t val_UA')
        epoch += 1
        print(epoch, '\t',
             '{:.5f}'.format(logs['loss']), '\t',
             '{:.5f}'.format(logs['accuracy']), '\t',
             '{:.5f}'.format(logs['val_loss']), '\t',
             '{:.5f}'.format(logs['val_accuracy']), '\t',
             f'{val_recall:.5f}', '\t',
             _val_recall
             )
        return

def main():

    x_train = load_data(f_train_path)
    y_train = hard_label(l_train_path)
    Happiness=np.count_nonzero(y_train==0)
    Anger=np.count_nonzero(y_train==1)
    Neutral=np.count_nonzero(y_train==2)
    Sadness=np.count_nonzero(y_train==3)
    n_max=max(Happiness, Anger, Neutral, Sadness)
    y_train = to_categorical(y_train, emo_classes)

    x_test = load_data(f_test_path)
    y_test = hard_label(l_test_path)
    y_test = to_categorical(y_test, emo_classes)

    print(x_train.shape, y_train.shape)
    print(x_test.shape, y_test.shape)

    batch_size = 16
    epochs = 100

    w_dir = os.getcwd()+'/Result/Session'+fold+'/'
    os.makedirs(w_dir, exist_ok=True)
    w_file = w_dir + f'seed{int(seed):03d}.hdf5'

    model = create_model(slen, f_dim, 1)

    # Stop training when a monitored metric has stopped improving
    early_stopping = EarlyStopping(monitor='val_loss',
                                   min_delta=0.001,
                                   patience=1,
                                   verbose=0,
                                   mode='auto'
                                   )

    # Save model weights by the lowest validation loss
    chkPoint = ModelCheckpoint(w_file,
                               monitor='val_loss',
                               mode='min',
                               verbose=0,
                               save_best_only=True,
                               save_weights_only=True,
                               )

    valid_metrics = Metrics(validation=(x_test, y_test), file_path=w_file)
    opt = Adam(lr=1e-4, amsgrad=True)

    # Configures the model for training
    model.compile(loss=categorical_crossentropy(), optimizer=opt, metrics=['accuracy'])

    class_weight = {0: n_max/Happiness, 1: n_max/Anger, 2: n_max/Neutral, 3: n_max/Sadness}

    # Trains the model for a fixed number of epochs (iterations on a dataset)
    model_history = model.fit(x=x_train,
                              y=y_train,
                              batch_size=batch_size,
                              epochs=epochs,
                              #class_weight=class_weight,
                              verbose=0,
                              validation_data=(x_test, y_test),
                              callbacks=[valid_metrics, chkPoint]
                              )

    # Display loss and accuracy of learning process
    plot_history(model_history,
                 save_graph_img_path=w_dir,
                 fig_size_width=12,
                 fig_size_height=10,
                 lim_font_size=25
                 )

    # Evaluate performance by best model
    eval_model = create_model(slen, f_dim, 1)
    eval_model.load_weights(w_file)

    predict_prob = eval_model.predict(x_test)
    predict_classes = np.argmax(predict_prob, axis=1)
    predict_classes = predict_classes.reshape(len(predict_classes), 1)

    true_classes = np.argmax(y_test,axis=1)
    true_classes = true_classes.reshape(len(true_classes), 1)
    result = np.hstack((true_classes, predict_classes))
    result = np.hstack((result, predict_prob))
    C = confusion_matrix(true_classes, predict_classes)
    line = np.sum(C, axis=1)

    WA, UA = 0, 0
    for ii in range(emo_classes):
        WA += C[ii,ii]
        UA += C[ii,ii]/line[ii]

    WA = (WA / np.sum(C)) * 100.0
    UA = UA*100/emo_classes
    C = C / np.sum(C, axis=1).reshape(emo_classes, 1)
    np.set_printoptions(precision=3)
    print('Weigted Accuracy:', '{:.3f}'.format(WA))
    print('Unweigted Accuracy:', '{:.3f}'.format(UA))
    print('Confusion matrix \n', C*100)

    # save true label, predicted label, and predicted probability
    np.save(w_dir + f'result_{int(seed):03d}.npy', result)

if __name__ == '__main__':
    main()
    print ('><')

補足情報

Session4フォルダのtestデータが元々存在しないことが原因なのかと考えましたが、どのように改善すれば良いか分かりませんでした…（他のSession1,2,3,5フォルダ内のデータは、testデータもtrainデータも複数ファイル存在します）
（分かりにくい説明で申し訳ございません。）

Answer 1

ぶっちゃけ、10進数の数値の文字列じゃありません。というエラーですんで、
そこの文字列がどういうものなのかをprintしてみよう

Comments

[odenhanpen]

ご回答ありがとうございます。上記のコードのtf.random.set_seed(int(seed))という部分でエラーが発生しているのですが、この部分をprintしてみても実行結果に反映されないです…

[y_waiwai]

そのseedになにはいってるのかみてみよう

[odenhanpen]

すみません、説明不足だったので補足させていただきます。
python cnn_model.py 1 0
と実行すると、No such file or directoryのエラーが発生しました。pathの表記は間違っていなかったため、原因が分からずGoogle Colabのコマンドに直接コードを記述すると、上記のエラーが発生しました。

seedの中身を確認するため、print(seed)と記述したのですが表示されませんでした…

[odenhanpen]

大変失礼いたしました。現在のディレクトリを取得する文が抜けていました。そこを修正すると、上記のエラーは解消されました。

Answer 2

引数の二個目が入ってないんじゃないでしょうか。

Comments

[odenhanpen]

ご回答ありがとうございます。コマンドライン引数でしょうか？
初めGoogle Colab上で2個コマンドライン引数を指定し実行すると、No such file or directoryエラーが出てしまい原因がわからなかったので、コマンドにコードを直書きし実行したところ、上記のエラーメッセージが発生してしまいました…

[irognodyci]

そのエラーはどのタイミング(何行目)で出るのでしょうか？
それと、コマンドライン引数を指定せずに実行しても動きますか？

[odenhanpen]

上記記載のコードでは18行目、tf.random.set_seed(int(seed))の部分で出ています。コマンドライン引数を指定せず実行してもNo such file or directoryとエラーが出てしまいました。