Tensorflow 错误“形状 Tensorshape() 必须具有等级 1”

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]})

我正在尝试在我自己的尺寸为 [32x32x3] 图像的图像上运行张量流卷积模型。在训练期间，图像被正确读取并分配给占位符。问题是在运行 train_step 操作时出现的。当我执行该图时，出现以下错误。

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

但当我看到这个例子时here https://github.com/nlintz/TensorFlow-Tutorials/blob/master/5_convolutional_net.py，图像仅采用 [batch_size,height,width,depth] 张量的形式。这个例子运行得很好。 我错过了什么吗？

我认为错误来自这一行：

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

image_batch是一个 5 维张量，形状为[2, 1, 32, 32, 3]，其中 2 是batch_size论证tf.train.batch()，并且 1 是由之前添加的image = tf.reshape(image, [-1, 32, 32, 3]). (N.B.这种重塑是不必要的，因为tf.train.batch()已经添加了批量维度，你最终不得不undo稍后构建时重塑的效果image_4d).

在 TensorFlow 中，切片操作（即image_batch[1]）比 NumPy 中的灵活性稍差。切片中指定的维度数必须等于张量的秩：即您必须指定所有五个维度才能使其工作。你可以指定image_batch[1, :, :, :, :]得到 4 维切片image_batch.

但是，我注意到您的程序中还有一些其他问题：

1. The cross_entropy计算似乎很奇怪。通常，这使用预测标签并将其与已知标签进行比较label，与图像数据相反。

2. 训练步骤中的 feed 似乎没有效果，因为占位符x and y_在您的程序中未使用。此外，您似乎正在喂养tf.Tensor（事实上​​，非法切片image_batch)，因此当您执行该语句时将会失败。如果您打算使用馈送，则应该馈入保存输入数据的 NumPy 数组。

3. 如果您不使用喂养方式，即使用tf.WholeFileReader如您的程序所示 - 您将需要调用tf.train.start_queue_runners()开始。否则你的程序将挂起，等待输入。