AD疾病分类代码报错：UnboundLocalError变量pred未赋值即引用

问题描述 #

在进行阿尔茨海默病（AD）图像分类任务时，计算测试集中随机图像的分类概率时触发UnboundLocalError，错误提示为局部变量'pred'在赋值前被引用。

报错栈 #

UnboundLocalError 
                        Traceback (most recent call last)
Cell In[18], line 38
     35     ax2.set_title('Alzheimer Probabilities', color="yellow", fontweight="bold", fontsize=16)
     37 rand_img_no = np.random.randint(1, 32)
---> 38 random_mri_prob_bringer(image_number=rand_img_no)

Cell In[18], line 7, in random_mri_prob_bringer(image_number)
      4     image = images[image_number]
      5     pred = model.predict(tf.expand_dims(image, 0))[0]
----> 7 probs = list(tf.nn.softmax(pred).numpy()) 
      8 probs_dict = dict(zip(class_dist.keys(), probs))
     10 keys = list(probs_dict.keys())

UnboundLocalError: local variable 'pred' referenced before assignment

问题原因 #

1. 变量初始化缺失：pred和image仅在for循环内部定义，若test_data.skip(5).take(1)未返回任何数据（比如测试集数据量不足），循环不会执行，这两个变量从未被赋值，后续引用时直接报错。
2. 循环冗余隐患：take(1)仅返回一个批次数据，用for循环遍历属于冗余写法，且放大了变量未初始化的风险。

解决方案 #

方案1：提前初始化变量+有效性校验 #

在循环前初始化变量，并增加校验确保数据正常获取：

def random_mri_prob_bringer(image_number=0):
    # 初始化变量，避免循环未执行时报错
    image = None
    pred = None
    
    for images, _ in test_data.skip(5).take(1):
        image = images[image_number]
        pred = model.predict(tf.expand_dims(image, 0))[0]
    
    # 校验变量是否正常赋值
    if pred is None or image is None:
        raise ValueError("无法从测试集获取数据，请检查test_data的有效性或skip的步数")
    
    probs = list(tf.nn.softmax(pred).numpy()) 
    probs_dict = dict(zip(class_dist.keys(), probs))
    
    keys = list(probs_dict.keys())
    values = list(probs_dict.values())

    fig, (ax1, ax2) = plt.subplots(1, 2, facecolor='black')
    plt.subplots_adjust(wspace=0.4) 
    ax1.imshow(image)
    ax1.set_title('Brain MRI', color="yellow", fontweight="bold", fontsize=16)
    
    edges = ['left', 'bottom', 'right', 'top']
    edge_color = "greenyellow"
    edge_width = 3
    for edge in edges:
        ax1.spines[edge].set_linewidth(edge_width)
        ax1.spines[edge].set_edgecolor(edge_color)

    plt.gca().axes.yaxis.set_ticklabels([])        
    plt.gca().axes.xaxis.set_ticklabels([])

    wedges, labels, autopct = ax2.pie(values, labels=keys,  autopct='%1.1f%%', shadow=True, startangle=90, colors=colors, textprops={'fontsize': 8, "fontweight":"bold", "color":"white"},  wedgeprops={'edgecolor':'black'} , labeldistance=1.15)

    for autotext in autopct:
        autotext.set_color('black')

    ax2.set_title('Alzheimer Probabilities', color="yellow", fontweight="bold", fontsize=16)
    
rand_img_no = np.random.randint(1, 32)
random_mri_prob_bringer(image_number=rand_img_no)

方案2：直接获取批次数据（更简洁） #

利用take(1)仅返回一个批次的特性，直接转换为列表获取数据，避免循环：

def random_mri_prob_bringer(image_number=0):
    # 直接获取批次数据，避免循环冗余
    batch_list = list(test_data.skip(5).take(1))
    if not batch_list:
        raise ValueError("无法从测试集获取数据，请检查test_data的有效性或skip的步数")
    
    images, _ = batch_list[0]
    # 动态生成有效索引，避免越界
    if image_number >= len(images):
        image_number = np.random.randint(0, len(images))
    image = images[image_number]
    pred = model.predict(tf.expand_dims(image, 0))[0]
    
    probs = list(tf.nn.softmax(pred).numpy()) 
    probs_dict = dict(zip(class_dist.keys(), probs))
    
    keys = list(probs_dict.keys())
    values = list(probs_dict.values())

    fig, (ax1, ax2) = plt.subplots(1, 2, facecolor='black')
    plt.subplots_adjust(wspace=0.4) 
    ax1.imshow(image)
    ax1.set_title('Brain MRI', color="yellow", fontweight="bold", fontsize=16)
    
    edges = ['left', 'bottom', 'right', 'top']
    edge_color = "greenyellow"
    edge_width = 3
    for edge in edges:
        ax1.spines[edge].set_linewidth(edge_width)
        ax1.spines[edge].set_edgecolor(edge_color)

    plt.gca().axes.yaxis.set_ticklabels([])        
    plt.gca().axes.xaxis.set_ticklabels([])

    wedges, labels, autopct = ax2.pie(values, labels=keys,  autopct='%1.1f%%', shadow=True, startangle=90, colors=colors, textprops={'fontsize': 8, "fontweight":"bold", "color":"white"},  wedgeprops={'edgecolor':'black'} , labeldistance=1.15)

    for autotext in autopct:
        autotext.set_color('black')

    ax2.set_title('Alzheimer Probabilities', color="yellow", fontweight="bold", fontsize=16)
    
rand_img_no = np.random.randint(1, 32)
random_mri_prob_bringer(image_number=rand_img_no)

额外检查建议 #

• 确认test_data总数据量是否足够支撑skip(5)操作，若测试集批次数量少于5，skip(5)会返回空数据集。
• 优化随机索引生成：改为np.random.randint(0, len(images))，避免因批次大小不足32导致的索引越界错误。

内容的提问来源于stack exchange，提问作者Since 1995