Python NiftyNet值错误：维度-1必须为>；=0

我想为分段任务训练一个VNet。对于一个简单的“入门”示例，我有一个CT及其相应的分割图像

运行

train

命令时，我得到一个

ValueError

：

$net_段-c~/git/vesseg/learning/config.ini
警告：tensorflow:From/Users/fernando/anaconda/envs/nn/lib/python3.6/site packages/tensorflow/contrib/learn/python/learn/datasets/base.py:198:retry（来自tensorflow.contrib.learn.python.learn.datasets.base）已被弃用，并将在未来版本中删除。
更新说明：
使用重试模块或类似的替代方案。
NiftyNet版本0.2.2
信息：niftynet:Import[SegmentationApplication]from/Users/fernando/anaconda/envs/nn/lib/python3.6/site-packages/niftynet/application/segmentation_application.py。
信息：niftynet：未找到可选Python模块yaml，请安装yaml，如果应用程序失败，请重试。
信息：niftynet：未找到可选Python模块yaml，请安装yaml，如果应用程序失败，请重试。
信息：niftynet：未找到可选Python模块yaml，请安装yaml，如果应用程序失败，请重试。
信息：niftynet：未找到可选Python模块yaml，请安装yaml，如果应用程序失败，请重试。
信息：niftynet：未找到可选Python模块yaml，请安装yaml，如果应用程序失败，请重试。
信息：niftynet：未找到可选Python模块yaml，请安装yaml，如果应用程序失败，请重试。
信息：niftynet：未找到可选Python模块yaml，请安装yaml，如果应用程序失败，请重试。
[海关]
--类别数目：-1
--输出_prob:False
--标签规格化：错误
--最小采样率：0
--强制_标签：（0，1）
--随机样本：0
--最小编号标签：1
--概率连接：对
--重量：（）
--标签：（‘标签’，）
--取样器：（）
--图像：（'DSA'，）
--名称：网段
[配置文件]
--路径：/Users/fernando/git/vesseg/learning/config.ini
[DSA]
--csv_文件：
--路径搜索：/Users/fernando/mres\u project/learning/vnet
--文件名\u包含：无
--文件名不包含：（'label'，）
--内部订单：3
--pixdim:（）
--axcode:（）
--空间窗口大小：（32,32,32）
[标签]
--csv_文件：
--路径搜索：/Users/fernando/mres\u project/learning/vnet
--文件名包含：（“标签”）
--文件名不包含：（）
--内部订单：0
--pixdim:（）
--axcode:（）
--空间窗口大小：（32,32,32）
[系统]
--cuda_设备：
--线程数：2
--数量：1
--模型目录：/Users/fernando/mres\u项目/模型目录
--dataset\u split\u文件：./dataset\u split.csv
--行动：火车
[网络]
--名称：vnet
--激活功能：relu
--批量：2
--衰减：0
--注册类型：L2
--音量大小：（0,0,0）
--窗口采样：均匀
--队列长度：5
--多模式前景类型：和
--直方图参考文件：
--标准类型：百分位数
--截止值：（0.01,0.99）
--前景类型：大津大学
--正常化：错误
--美白：真的
--仅对前景进行归一化：False
--体重初始值设定项：he\u正常
--偏置初始值设定项：零
[培训]
--乐观主义者：亚当
--每卷样本数量：1
--旋转角度：（-10.0，10.0）
--旋转角度：（）
--旋转角度：（）
--旋转角度：（）
--比例百分比：（0.8,1.2）
--随机翻转轴：（0,1,2）
--lr:0.01
--损失类型：骰子
--正在启动\u iter:0
--每小时保存一次：500
--张力板每小时：20
--最高温度：10000
--最多检查点：100个
--每\u n验证一次：-1
--验证最大iter：1
--排除用于验证的分数：0.0
--排除用于推理的分数：0.0
信息：niftynet:Import[SegmentationApplication]from/Users/fernando/anaconda/envs/nn/lib/python3.6/site-packages/niftynet/application/segmentation_application.py。
信息：niftynet:正在启动分段应用程序
信息：niftynet:[DSA]搜索文件夹，写入csv文件/Users/fernando/mres_project/model_dir/DSA.csv
信息：niftynet:[LABEL]搜索文件夹，写入csv文件/Users/fernando/mres_project/model_dir/LABEL.csv
资讯:niftynet:
受试者数量1，输入部分名称：[“受试者id”、“DSA”、“标签”]
--使用所有主题（无数据分区）。
信息：niftynet:图像读取器：从（'label'，）加载[label]（1）
信息：niftynet:图像读取器：从（'DSA'，）加载[图像]（1）
信息：niftynet:读取预处理图像的大小
信息：niftynet:初始化的窗口实例
信息：niftynet:使用5个窗口进行缓冲
INFO:niftynet:初始化的采样器输出{'label'：（32,32,32,1,1），'image'：（32,32,32,1,1）}
2018-04-30 14:23:40.717301:I tensorflow/core/platform/cpu\u feature\u guard.cc:140]您的cpu支持该tensorflow二进制文件未编译为使用的指令：AVX2 FMA
信息：niftynet:正在开始预处理线程。。。
信息：niftynet:新线程：0
信息：niftynet:新线程：1
信息：niftynet:正在填充队列（这可能需要几分钟）
信息：niftynet:Import[VNet]from/Users/fernando/anaconda/envs/nn/lib/python3.6/site-packages/niftynet/network/VNet.py。
信息：niftynet:Import[HeNormal]from/Users/fernando/anaconda/envs/nn/lib/python3.6/site-packages/niftynet/engine/application_initializer.py。
信息：niftynet:Import[Zeros]from/Users/fernando/anaconda/envs/nn/lib/python3.6/site-packages/niftynet/engine/application_initializer.py。
信息：niftynet:使用VNet
[层]VNet/L1（输入未确定）[可培训]conv_0/w，下采样/w，下采样/b（6128）
[层]VNet/L2（输入未确定）[可培训]转换0/w，转换1/w，下采样/w，下采样/b（272448）
[层]VNet/L3（输入未确定）[可培训]转换0/w、转换1/w、转换2/w、下采样/w、下采样/b（1601664）
[层]VNet/L4（输入未确定）[可培训]转换0/w、转换1/w、转换2/w、下采样/w、下采样/b（6400）
[层]VNet/V_（输入未确定）[可培训]conv_0/w，conv_1/w，conv_2/w，上采样/w，上采样/b（25100544）
[层]VNet/R4（输入未确定）[可培训]转换0/w、转换1/w、转换2/w、上采样/w、上采样/b（28934272）
[层]VNet/R3（输入un）
[DSA]
path_to_search = /Users/fernando/mres_project/learning/vnet
filename_not_contains = label
spatial_window_size = (32, 32, 32)
interp_order = 3

[LABEL]
path_to_search = /Users/fernando/mres_project/learning/vnet
filename_contains = _label
spatial_window_size = (32, 32, 32)
interp_order = 0

[SYSTEM]
model_dir = /Users/fernando/mres_project/model_dir

[NETWORK]
name = vnet
whitening = True

[TRAINING]
loss_type = Dice
rotation_angle = -10.0,10.0
scaling_percentage = 0.8,1.2
random_flipping_axes = 0,1,2

[SEGMENTATION]
image = DSA
label = LABEL