如何在MRI图像数据集上正确使用from_tensor_slices？

tf.data.Dataset 流中的元素默认是 tf.Tensor 类型，你传入 from_tensor_slices 的路径会被封装为字符串Tensor，而 nib.load 是纯Python实现的工具函数，仅支持原生Python字符串、字节、路径对象作为输入，无法识别Tensor类型，因此触发类型错误。

提供两种可用的实现方式，按需选择即可：

方案1：使用tf.py_function包裹加载函数 #

这是改动最小的方案，只需调整map阶段的调用逻辑，手动将Tensor转为Python字符串再传入加载函数：

def load_one_sample(image_path, label_path):
    # 新增：将Tensor转成utf-8编码的字符串路径
    image_path = image_path.numpy().decode('utf-8')
    label_path = label_path.numpy().decode('utf-8')

    image = nib.load(image_path).get_fdata()
    image = tf.convert_to_tensor(image, dtype = 'float32')
    label = nib.load(label_path).get_fdata()
    label = tf.convert_to_tensor(label, dtype = 'uint8')

    return image, label

# 用tf.py_function包裹函数，指定输出数据类型
all_data = dataset.map(
    lambda img_p, lab_p: tf.py_function(
        func=load_one_sample,
        inp=[img_p, lab_p],
        Tout=[tf.float32, tf.uint8]
    )
)

# 可选：手动声明张量形状，避免后续训练时形状不明确报错
# 形状需和你实际加载的MRI维度匹配，脑肿瘤任务数据维度一般为(240,240,155,4)，标签为(240,240,155)
all_data = all_data.map(
    lambda x, y: (
        tf.ensure_shape(x, (240, 240, 155, 4)),
        tf.ensure_shape(y, (240, 240, 155))
    )
)

方案2：从Python生成器构建数据集 #

如果不想和Tensor的类型转换打交道，可以直接用生成器遍历本地路径加载数据，逻辑更直观：

# 定义生成器，逐样本加载数据
def data_generator():
    for img_path, lab_path in zip(image_paths, label_paths):
        image = nib.load(img_path).get_fdata().astype('float32')
        label = nib.load(lab_path).get_fdata().astype('uint8')
        yield image, label

# 直接从生成器构建数据集，指定输出的类型和形状即可
all_data = tf.data.Dataset.from_generator(
    generator=data_generator,
    output_signature=(
        tf.TensorSpec(shape=(240, 240, 155, 4), dtype=tf.float32),
        tf.TensorSpec(shape=(240, 240, 155), dtype=tf.uint8)
    )
)

• 上述代码中的张量形状需要根据你实际使用的数据集维度调整，避免形状不匹配报错
• 两种方式都支持后续链式调用shuffle()、batch()、prefetch()等常用数据集操作

内容的提问来源于stack exchange，提问作者user15515518