Python Tensorflow错误“；形状张量形状（）必须具有秩1“；

我试图在我自己的[32x32x3]维图像上运行tensorflow卷积模型。在培训期间，正确读取图像并将其分配给占位符。运行列车步骤op时出现问题。当我执行图形时，我得到以下错误

import tensorflow as tf
import numpy as np
import os
from PIL import Image
cur_dir = os.getcwd()

def modify_image(image):
  #resized = tf.image.resize_images(image, 180, 180, 3)
   image.set_shape([32,32,3])
   flipped_images = tf.image.flip_up_down(image)
   return flipped_images

def read_image(filename_queue):
  reader = tf.WholeFileReader()
  key,value = reader.read(filename_queue)
  image = tf.image.decode_jpeg(value)
  return key,image

def inputs():
 filenames = ['standard_1.jpg', 'standard_2.jpg' ]
 filename_queue = tf.train.string_input_producer(filenames)
 filename,read_input = read_image(filename_queue)
 reshaped_image = modify_image(read_input)
 reshaped_image = tf.cast(reshaped_image, tf.float32)
 label=tf.constant([1])
 return reshaped_image,label

def weight_variable(shape):
 initial = tf.truncated_normal(shape, stddev=0.1)
 return tf.Variable(initial)

def bias_variable(shape):
 initial = tf.constant(0.1, shape=shape)
 return tf.Variable(initial)

def conv2d(x, W):
 return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')

def max_pool_2x2(x):
 return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],
                    strides=[1, 2, 2, 1], padding='SAME')

x = tf.placeholder(tf.float32, shape=[None,32,32,3])
y_ = tf.placeholder(tf.float32, shape=[None, 1])
image,label=inputs()
image=tf.reshape(image,[-1,32,32,3])
label=tf.reshape(label,[-1,1])
image_batch=tf.train.batch([image],batch_size=2)
label_batch=tf.train.batch([label],batch_size=2)

W_conv1 = weight_variable([5, 5, 3, 32])
b_conv1 = bias_variable([32])

image_4d=x_image = tf.reshape(image, [-1,32,32,3])

h_conv1 = tf.nn.relu(conv2d(image_4d, W_conv1) + b_conv1)
h_pool1 = max_pool_2x2(h_conv1)

W_conv2 = weight_variable([5, 5, 32, 64])
b_conv2 = bias_variable([64])

h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)
h_pool2 = max_pool_2x2(h_conv2)

W_fc1 = weight_variable([8 * 8 * 64, 1024])
b_fc1 = bias_variable([1024])
h_pool2_flat = tf.reshape(h_pool2, [-1, 8*8*64])
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)
keep_prob = tf.placeholder(tf.float32)
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)

W_fc2 = weight_variable([1024, 2])
b_fc2 = bias_variable([2])

y_conv=tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)
cross_entropy= -tf.reduce_sum(tf.cast(image_batch[1],tf.float32)*tf.log(y_conv))
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)

init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init)

for i in range(20000):
 sess.run(train_step,feed_dict={x:image_batch[0:1],y_:label_batch[0:1]})

但是当我看到这个例子时，图像只是以[batch_size，height，width，depth]张量的形式出现的。这个例子很好用。

---

我遗漏了什么吗？

我认为错误来自这一行：

TensorShape([Dimension(2), Dimension(1), Dimension(32), Dimension(32), Dimension(3)]) must have rank 1

image\u batch

是一个5维张量，形状为

[2,1,32,32,3]

，其中2是

tf.train.batch（）

的

batch\u size

参数，1是由前面的

image=tf.reformate（image，[-1,32,3]）

添加的。（N.B.由于

tf.train.batch（）

已经添加了一个批维度，并且在以后构建

image_4d

时，您必须撤消重塑的效果，因此此重塑是不必要的）

在TensorFlow中，切片操作（即

image\u batch[1]

）的灵活性略低于NumPy。切片中指定的维度数量必须等于张量的秩：即，必须指定所有五个维度才能使其工作。您可以指定

image\u batch[1，：，：，：，：，：]

来获取

image\u batch

的4-D切片

但是，我注意到您的计划中还有一些其他问题：

交叉熵的计算似乎很奇怪。通常，这会使用预测标签并将其与已知标签（与图像数据相反）进行比较

培训步骤上的提要似乎没有效果，因为占位符

x

和

y

在您的程序中未使用。此外，您似乎正在输入一个

tf.Tensor

（实际上是

image\u batch

的非法切片），因此在执行该语句时，这将失败。如果您打算使用feed，那么应该输入保存输入数据的NumPy数组

如果您没有使用feed，即使用程序中显示的

tf.WholeFileReader

，则需要调用

tf.train.start\u queue\u runners（）

开始。否则，您的程序将挂起，等待输入

---

这个问题仍然很有用，但包含的代码比演示问题所需的代码要多得多——现在很难将其缩减为仅失败的切片操作，因为答案解决了与所问问题无关的已发布代码的其他位。下次请把你的代码精简到一个最小的例子；这不需要8行就可以复制，更不用说80行了。

cross_entropy= -tf.reduce_sum(tf.cast(image_batch[1],tf.float32)*tf.log(y_conv))