خطا Attempt to execute SCRIPT varargin as a function: در اجرای مثال mnist در matconvnet

Question

سلام
برنامه زیر یک structure رو میسازه

trainOpts.batchSize = 100 ;
trainOpts.numEpochs = 15 ;
trainOpts.continue = true ;
trainOpts.gpus = [] ;
trainOpts.learningRate = 0.001 ;
trainOpts.expDir = 'data/chars-experiment' ;
trainOpts = vl_argparse(trainOpts, varargin);

خط آخر این برنامه error زیر رو میده :

Attempt to execute SCRIPT varargin as a function:

من نمیدونم چطور باید varargin رو به عنوان یک تابع معرفی کنم ؟
(این دستورات مربوط به معرفی train and evaluate the CNN هست )
تابع زیر دقیقا از روی یکی از مثال های تولباکس matconvnet هست که شبکه عصبی کانولوشن رو میسازه برای داده های mnist :

function net = cnn_mnist_init(varargin)

% CNN_MNIST_LENET Initialize a CNN similar for MNIST
opts.batchNormalization = true ;
opts.networkType = 'simplenn' ;
opts = vl_argparse(opts, varargin) ;

rng('default');
rng(0) ;

f=1/100 ;
net.layers = {} ;   
net.layers{end+1} = struct('type', 'conv', ...
                           'weights', {{f*randn(5,5,1,20, 'single'), zeros(1, 20, 'single')}}, ...
                           'stride', 1, ...
                           'pad', 0) ;
net.layers{end+1} = struct('type', 'pool', ...
                           'method', 'max', ...
                           'pool', [2 2], ...
                           'stride', 2, ...
                           'pad', 0) ;
net.layers{end+1} = struct('type', 'conv', ...
                           'weights', {{f*randn(5,5,20,50, 'single'),zeros(1,50,'single')}}, ...
                           'stride', 1, ...
                           'pad', 0) ;
net.layers{end+1} = struct('type', 'pool', ...
                           'method', 'max', ...
                           'pool', [2 2], ...
                           'stride', 2, ...
                           'pad', 0) ;
net.layers{end+1} = struct('type', 'conv', ...
                           'weights', {{f*randn(4,4,50,500, 'single'),  zeros(1,500,'single')}}, ...
                           'stride', 1, ...
                           'pad', 0) ;
net.layers{end+1} = struct('type', 'relu') ;
net.layers{end+1} = struct('type', 'conv', ...
                           'weights', {{f*randn(1,1,500,10, 'single'), zeros(1,10,'single')}}, ...
                           'stride', 1, ...
                           'pad', 0) ;
net.layers{end+1} = struct('type', 'softmaxloss') ;

% optionally switch to batch normalization
if opts.batchNormalization
  net = insertBnorm(net, 1) ;
  net = insertBnorm(net, 4) ;
  net = insertBnorm(net, 7) ;
end

% Meta parameters
net.meta.inputSize = [28 28 1] ;
net.meta.trainOpts.learningRate = 0.001 ;
net.meta.trainOpts.numEpochs = 20 ;
net.meta.trainOpts.batchSize = 100 ;

% Fill in defaul values
net = vl_simplenn_tidy(net) ;

% Switch to DagNN if requested
switch lower(opts.networkType)
  case 'simplenn'
    % done
  case 'dagnn'
    net = dagnn.DagNN.fromSimpleNN(net, 'canonicalNames', true) ;
    net.addLayer('top1err', dagnn.Loss('loss', 'classerror'), ...
      {'prediction', 'label'}, 'error') ;
    net.addLayer('top5err', dagnn.Loss('loss', 'topkerror', ...
      'opts', {'topk', 5}), {'prediction', 'label'}, 'top5err') ;
  otherwise
    assert(false) ;
end

وقتی run میکنم توی همون خط چهارم برنامه erorr میده
خط چهارم:

opts = vl_argparse(opts, varargin) ;

همین erorr رو میده :Attempt to execute SCRIPT varargin as a function:
(من دنبال ساخت یک شبکه عصبی کانولوشن در متلب هستم تا دیتاهام رو که به صورت imdb درست کردم رو باهاش اجرا کنم . دیتاها شامل 370 عکس تصاویر ماموگرافی هست که تعدادی نرمال و تعدادی هم دارای توده های خوش خیم و بدخیمه . من 3 تا کلاس معرفی کردم . راستش توی ساخت شبکه مشکل پیدا کردم . ممنون میشم اگه من رو راهنمایی کنید .(

Comments

اطلاعات ناکافیه . توضیحات کامل رو در سوال بدید تا بشه راهنماییتون کرد

---

سلام ممنونم از شما . تابع زیر دقیقا از روی یکی از مثال های تولباکس matconvnet هست که شبکه عصبی کانولوشن رو میسازه برای داده های mnist :
function net = cnn_mnist_init(varargin)

% CNN_MNIST_LENET Initialize a CNN similar for MNIST
opts.batchNormalization = true ;
opts.networkType = 'simplenn' ;
opts = vl_argparse(opts, varargin) ;

rng('default');
rng(0) ;

f=1/100 ;
net.layers = {} ;   
net.layers{end+1} = struct('type', 'conv', ...
                           'weights', {{f*randn(5,5,1,20, 'single'), zeros(1, 20, 'single')}}, ...
                           'stride', 1, ...
                           'pad', 0) ;
net.layers{end+1} = struct('type', 'pool', ...
                           'method', 'max', ...
                           'pool', [2 2], ...
                           'stride', 2, ...
                           'pad', 0) ;
net.layers{end+1} = struct('type', 'conv', ...
                           'weights', {{f*randn(5,5,20,50, 'single'),zeros(1,50,'single')}}, ...
                           'stride', 1, ...
                           'pad', 0) ;
net.layers{end+1} = struct('type', 'pool', ...
                           'method', 'max', ...
                           'pool', [2 2], ...
                           'stride', 2, ...
                           'pad', 0) ;
net.layers{end+1} = struct('type', 'conv', ...
                           'weights', {{f*randn(4,4,50,500, 'single'),  zeros(1,500,'single')}}, ...
                           'stride', 1, ...
                           'pad', 0) ;
net.layers{end+1} = struct('type', 'relu') ;
net.layers{end+1} = struct('type', 'conv', ...
                           'weights', {{f*randn(1,1,500,10, 'single'), zeros(1,10,'single')}}, ...
                           'stride', 1, ...
                           'pad', 0) ;
net.layers{end+1} = struct('type', 'softmaxloss') ;

% optionally switch to batch normalization
if opts.batchNormalization
  net = insertBnorm(net, 1) ;
  net = insertBnorm(net, 4) ;
  net = insertBnorm(net, 7) ;
end

% Meta parameters
net.meta.inputSize = [28 28 1] ;
net.meta.trainOpts.learningRate = 0.001 ;
net.meta.trainOpts.numEpochs = 20 ;
net.meta.trainOpts.batchSize = 100 ;

% Fill in defaul values
net = vl_simplenn_tidy(net) ;

% Switch to DagNN if requested
switch lower(opts.networkType)
  case 'simplenn'
    % done
  case 'dagnn'
    net = dagnn.DagNN.fromSimpleNN(net, 'canonicalNames', true) ;
    net.addLayer('top1err', dagnn.Loss('loss', 'classerror'), ...
      {'prediction', 'label'}, 'error') ;
    net.addLayer('top5err', dagnn.Loss('loss', 'topkerror', ...
      'opts', {'topk', 5}), {'prediction', 'label'}, 'top5err') ;
  otherwise
    assert(false) ;
end
وقتی run میکنم توی همون خط چهارم برنامه erorr میده
(opts = vl_argparse(opts, varargin) ;   خط چهارم )
همین erorr رو میده :Attempt to execute SCRIPT varargin as a function:
(من دنبال ساخت یک شبکه عصبی کانولوشن در متلب هستم تا دیتاهام رو که به صورت imdb درست کردم رو باهاش اجرا کنم . دیتاها شامل 370 عکس تصاویر ماموگرافی هست که تعدادی نرمال و تعدادی هم دارای توده های خوش خیم و بدخیمه . من 3 تا کلاس معرفی کردم . راستش توی ساخت شبکه مشکل پیدا کردم . ممنون میشم اگه من رو راهنمایی کنید .(

Answer 1

سلام
varargin رو شما نباید استفاده کنید بجاش چیزی که نیاز هست رو بعنوان آرگومان بهش بدید . اون رو زمانی مینویسن که تابعی نیاز به چندتا ارگومان داشته باشه . که اگر اینو در کد میبینید یعنی یا نباید مستقیما اونو اجرا کنید یا اگر قرار بر اجرای اون هست باید ارگومانهاش رو بهش بدید.
برای مثال mnist هم بنظر میرسه شما باید cnn_mnist_experiments.m رو اجرا کنید این خودش ابتدا cnn_mnist.m رو فراخونی میکنه (که کدش رو بالا گذاشتید) و در ادامه هم cnn_mnist_init.m رو فراخونی میکنه .
محتویات cnn_mnist_experiments.m هم همونطور که میبینید بصورت زیر هستکه همه توضیحات بالا رو تایید میکنه.

%% Experiment with the cnn_mnist_fc_bnorm

[net_bn, info_bn] = cnn_mnist(...
  'expDir', 'data/mnist-bnorm', 'batchNormalization', true);

[net_fc, info_fc] = cnn_mnist(...
  'expDir', 'data/mnist-baseline', 'batchNormalization', false);

figure(1) ; clf ;
subplot(1,2,1) ;
semilogy([info_fc.val.objective]', 'o-') ; hold all ;
semilogy([info_bn.val.objective]', '+--') ;
xlabel('Training samples [x 10^3]'); ylabel('energy') ;
grid on ;
h=legend('BSLN', 'BNORM') ;
set(h,'color','none');
title('objective') ;
subplot(1,2,2) ;
plot([info_fc.val.top1err]', 'o-') ; hold all ;
plot([info_fc.val.top5err]', '*-') ;
plot([info_bn.val.top1err]', '+--') ;
plot([info_bn.val.top5err]', 'x--') ;
h=legend('BSLN-val','BSLN-val-5','BNORM-val','BNORM-val-5') ;
grid on ;
xlabel('Training samples [x 10^3]'); ylabel('error') ;
set(h,'color','none') ;
title('error') ;
drawnow ;

Comments

ممنونم از راهنماییتون .

---

خواهش میکنم . هر وقت جواب گرفتید روی علامت تیک کنار جواب کلیک کنید تا سوال خاتمه پیدا کنه.