PyTorch创建TensorDataset报错：'numpy.int32' object is not callable

这个报错和张量维度、dtype没有关系，核心是你传入torch.utils.data.TensorDataset的根本不是PyTorch张量，是TensorFlow生成的tf.Tensor对象：

• 你写的transt/transv转换函数最后用tf.convert_to_tensor输出的是TF张量，不是PyTorch要求的torch.Tensor
• 你开了np_config.enable_numpy_behavior()让TF张量兼容numpy接口，导致TensorDataset初始化做维度校验时，把TF张量的.size属性（这个属性是存张量总元素数的int32整数值，和numpy数组的.size逻辑一致）当成PyTorch张量的.size()方法去调用，才会抛出'numpy.int32' object is not callable的错误。
  你最开始猜维度不匹配是完全找错了方向，代码根本没跑到维度校验的逻辑，在调用.size(0)的时候就已经因为接口不兼容崩了。

• 验证集图像生成逻辑写串了：你构造vimg的时候堆叠的是训练集的timg4d，不是验证集的vimg4d，后续跑验证相当于直接拿训练集测，结果完全无效。
• 图像重复堆叠毫无意义：你把同一个单通道图像重复堆5次凑5通道，既不符合医学影像单通道输入的常规逻辑，也和标签5通道（对应5个分割类别）的语义对不上。
• 用np.resize做3D影像缩放会直接破坏影像结构：这个函数只会粗暴截断/补全数组值，不会做空间插值，resize完的影像已经完全失真，模型根本学不到有效特征。
• 转换函数的参数名用了Python内置关键字list，会覆盖内置类型，容易触发很难排查的隐性bug。
• DataLoader的batch_size设为60完全不合理：3D医学影像分割的显存占用极高，24G显存的卡通常batch_size只能开到1~4，设60会直接显存溢出崩溃。

1. 把所有TensorFlow相关的代码全删掉，包括import tensorflow as tf、np_config相关的导入和配置，做PyTorch训练就不要混着导入TF，避免不必要的接口冲突。
2. 重写数据转换函数，直接输出PyTorch张量，修正参数命名，不要用内置关键字当参数名：

def transt(data_list):
    array = np.asarray(data_list, dtype=np.float32)
    # 注意：正式训练请把np.resize替换为专业医学影像重采样逻辑，比如MONAI、TorchIO提供的带插值的Resize接口
    resized_array = np.resize(array, [60, 128, 128, 64])
    # 调整维度为PyTorch3D分割要求的 [样本数, 通道数, 深度, 高度, 宽度]，单通道输入直接加通道维
    tensor = torch.from_numpy(resized_array).unsqueeze(1)
    return tensor

def transv(data_list):
    array = np.asarray(data_list, dtype=np.float32)
    resized_array = np.resize(array, [7, 128, 128, 64])
    tensor = torch.from_numpy(resized_array).unsqueeze(1)
    return tensor

3. 修正张量拼接逻辑，不要重复堆叠图像，修正验证集的引用错误：

# 图像不需要重复堆5次，单通道输入直接用转换后的4D张量升维后的结果即可
timg = timg4d
vimg = vimg4d # 这里之前错误引用了timg4d，必须改
# 掩码沿通道维拼接，调整维度顺序匹配输入
tmask = torch.stack([tgall, tIVC, tkidney, tliver, trib], dim=1)
vmask = torch.stack([vgall, vIVC, vkidney, vliver, vrib], dim=1)

4. 初始化数据集前先打印张量形状校验，确认第0维（样本数）一致即可正常运行：

print(f"训练图像形状：{timg.shape}，训练掩码形状：{tmask.shape}")
# 正常输出应为 训练图像形状：torch.Size([60, 1, 128, 128, 64])，训练掩码形状：torch.Size([60, 5, 128, 128, 64])
train_dataset = TensorDataset(timg, tmask)
# batch_size调小，建议设为1~2，开启shuffle
train_loader = DataLoader(train_dataset, batch_size=2, shuffle=True)

• 不要用np.resize处理医学影像，建议用MONAI或者TorchIO的Resize变换，选择三线性插值处理影像、最近邻插值处理掩码，保证重采样后空间结构不被破坏。
• 加载完影像后记得做灰度归一化，比如根据模态做窗宽窗位截断、Z-score归一化，直接用原始像素值训练会很难收敛。
• 3D VNet训练建议加入梯度检查点、混合精度训练，降低显存占用。

内容的提问来源于stack exchange，提问作者Christian Thorson