评估TensorFlow模型遇TypeError错误，求测试数据评估方案

这个错误我之前在处理TensorFlow数据读取流程时也碰到过，本质是你把numpy数组传入了需要哈希的TensorFlow操作中——numpy数组是不可哈希的，而像tf.read_file这类API需要处理的是TensorFlow张量，不是原生numpy数组。结合你给出的场景，我整理了几个排查和解决的方向：

1. 确认queue的类型是否正确 #

你提到的readSample(queue)函数，这里的queue如果是直接从测试文件读取的numpy数组（比如用np.loadtxt读取后直接传入），就会触发这个错误。因为tf.read_file需要接收的是TensorFlow的字符串张量，而不是numpy数组。

错误示例（触发问题的常见写法） #

import numpy as np
# 读取测试数据
test_data = np.loadtxt("test.txt", dtype=str, delimiter=' ')
image_paths = test_data[:, 0]
labels = test_data[:, 1]
# 直接把numpy数组传入readSample，导致错误
image, label = readSample([image_paths, labels])

2. 修正方案：用TensorFlow张量替代numpy数组作为输入 #

推荐使用tf.data.Dataset（TensorFlow 1.x/2.x都支持，新版更推荐）来构建测试数据流水线，或者用旧版的队列API将numpy数组转换为张量后入队。

方案一：使用tf.data.Dataset（推荐） #

这是目前最简洁且兼容新版TensorFlow的方式，直接将numpy数组转换为数据集，再映射你的预处理逻辑：

import tensorflow as tf
import numpy as np

# 读取测试数据文件
test_data = np.loadtxt("test.txt", dtype=str, delimiter=' ')
image_paths = test_data[:, 0]
labels = test_data[:, 1]

# 定义预处理函数（替代你的readSample）
def preprocess_sample(image_path, label):
    # 读取图片
    file_contents = tf.read_file(image_path)
    image = tf.image.decode_jpeg(file_contents, channels=3)
    # 这里可以添加你的其他预处理逻辑（resize、归一化等）
    # 确保标签转换为TensorFlow张量（根据你的标签类型调整dtype）
    label = tf.convert_to_tensor(label, dtype=tf.int32)
    return image, label

# 构建数据集
test_dataset = tf.data.Dataset.from_tensor_slices((image_paths, labels))
test_dataset = test_dataset.map(preprocess_sample)
# 设置批量大小
test_dataset = test_dataset.batch(batch_size=32)

# 获取测试batch
# TensorFlow 2.x 直接迭代即可
for imageBatch_test, labelBatch_test in test_dataset:
    # 在这里执行模型评估逻辑
    pass

# 如果是TensorFlow 1.x，需要用迭代器
# iterator = test_dataset.make_one_shot_iterator()
# imageBatch_test, labelBatch_test = iterator.get_next()

方案二：使用旧版队列API #

如果你坚持使用原有的队列方式，需要先将numpy数组转换为TensorFlow张量，再通过slice_input_producer入队：

import tensorflow as tf
import numpy as np

# 读取测试数据
test_data = np.loadtxt("test.txt", dtype=str, delimiter=' ')
image_paths = test_data[:, 0]
labels = test_data[:, 1]

# 将numpy数组转换为TensorFlow张量
image_tensor = tf.convert_to_tensor(image_paths, dtype=tf.string)
label_tensor = tf.convert_to_tensor(labels, dtype=tf.int32)  # 根据标签类型调整

# 创建切片队列
queue = tf.train.slice_input_producer([image_tensor, label_tensor], shuffle=False)
# 调用你的readSample函数
imageBatch_test, labelBatch_test = tf.train.batch(readSample(queue), batch_size=32)

3. 额外检查：readSample函数内部的张量转换 #

如果你的readSample函数内部直接处理queue[1]（标签）时，没有将其转换为TensorFlow张量，也可能导致后续操作出错。可以修改函数确保标签是张量类型：

def readSample(queue):
    # 将标签转换为TensorFlow张量（根据你的标签类型调整dtype）
    label = tf.convert_to_tensor(queue[1], dtype=tf.int32)
    file_contents = tf.read_file(queue[0])
    example = tf.image.decode_jpeg(file_contents, channels=3)
    # 其他预处理逻辑...
    return example, label

内容的提问来源于stack exchange，提问作者user2743