Классификация нескольких снимков с помощью Reptile Keras

Question

Я пытаюсь использовать пример обучения с несколькими выстрелами, предоставленный Keras, с использованием алгоритма Reptile ( https://keras.io/examples/vision/reptile/ ) с моей собственной базой данных. Но после загрузки базы данных я получаю сообщение об ошибке, когда хочу визуализировать некоторые примеры из базы данных.

строка, в которой у меня проблема:

      sample_keys = list(train_dataset())

он выдает следующее:TypeError: объект «Набор данных» не вызывается

может кто-нибудь помочь мне исправить это, так как я новичок в пространстве ML и все еще учусь.

моя база данных 3 класса все разделены по папкам с именами. каждый класс имеет 20 изображений RGB, всего 60.

Структура папок базы данных

Код с моими изменениями:

      
learning_rate = 0.003
meta_step_size = 0.25

inner_batch_size = 15
eval_batch_size = 15

meta_iters = 2000
eval_iters = 5
inner_iters = 4

eval_interval = 1
train_shots = 20
shots = 5
classes = 3

class Dataset:
    
    def __init__(self, training):
        # Download the tfrecord files containing the omniglot data and convert to a
        # dataset.
        split = "train" if training else "test"
        images_ds = tf.data.Dataset.list_files('packages/*/*', shuffle=False)
        image_count = len (images_ds)
        #label=["Box","Cardboard","Plastic_bag"]
        ds = images_ds.take(image_count)
        # Iterate over the dataset to get each individual image and its class,
        # and put that data into a dictionary.
        self.data = {}

        def get_label(file_path):
            return tf.strings.split(file_path, os.path.sep)[-2]

        def extraction(file_path):
            # This function will shrink the Omniglot images to the desired size,
            # scale pixel values and convert the RGB image to grayscale
            label = get_label(file_path)
            img = tf.io.read_file(file_path)
            image = tf.image.decode_jpeg(img)
            image = tf.image.convert_image_dtype(image, tf.float32)
            #image = tf.image.rgb_to_grayscale(image)
            image = tf.image.resize(image, [800, 800])
            return image, label

        for image, label in images_ds.map(extraction):
            image = image.numpy()
            label = str(label.numpy())
            if label not in self.data:
                self.data[label] = []
            self.data[label].append(image)
        self.labels = list(self.data.keys())

    def get_mini_dataset(
        self, batch_size, repetitions, shots, num_classes, split=False
    ):
        temp_labels = np.zeros(shape=(num_classes * shots))
        temp_images = np.zeros(shape=(num_classes * shots, 800, 800, 1))
        if split:
            test_labels = np.zeros(shape=(num_classes))
            test_images = np.zeros(shape=(num_classes, 800, 800, 1))

        # Get a random subset of labels from the entire label set.
        label_subset = random.choices(self.labels, k=num_classes)
        for class_idx, class_obj in enumerate(label_subset):
            # Use enumerated index value as a temporary label for mini-batch in
            # few shot learning.
            temp_labels[class_idx * shots : (class_idx + 1) * shots] = class_idx
            # If creating a split dataset for testing, select an extra sample from each
            # label to create the test dataset.
            if split:
                test_labels[class_idx] = class_idx
                images_to_split = random.choices(
                    self.data[label_subset[class_idx]], k=shots + 1
                )
                test_images[class_idx] = images_to_split[-1]
                temp_images[
                    class_idx * shots : (class_idx + 1) * shots
                ] = images_to_split[:-1]
            else:
                # For each index in the randomly selected label_subset, sample the
                # necessary number of images.
                temp_images[
                    class_idx * shots : (class_idx + 1) * shots
                ] = random.choices(self.data[label_subset[class_idx]], k=shots)

        dataset = tf.data.Dataset.from_tensor_slices(
            (temp_images.astype(np.float32), temp_labels.astype(np.int32))
        )
        dataset = dataset.shuffle(60).batch(batch_size).repeat(repetitions)
        if split:
            return dataset, test_images, test_labels
        return dataset


import urllib3

urllib3.disable_warnings()  # Disable SSL warnings that may happen during download.
train_dataset = Dataset(training=True)
test_dataset = Dataset(training=False)

_, axarr = plt.subplots(nrows=5, ncols=5, figsize=(20, 20))

sample_keys = list(train_dataset())    #Here i get the error 

for a in range(5):
    for b in range(5):
        temp_image = train_dataset[sample_keys[a]][b]
        temp_image = np.stack((temp_image[:, :, 0],) * 3, axis=2)
        temp_image *= 255
        temp_image = np.clip(temp_image, 0, 255).astype("uint8")
        if b == 2:
            axarr[a, b].set_title("Class : " + sample_keys[a])
        axarr[a, b].imshow(temp_image)#, cmap="rgb")
        axarr[a, b].xaxis.set_visible(False)
        axarr[a, b].yaxis.set_visible(False)
plt.show()

Ошибка:

      ---------------------------------------------------------------------------
TypeError                                 Traceback (most recent call last)
Cell In[23], line 5
      1 ###################### Visualize some examples from the dataset ####################################
      3 _, axarr = plt.subplots(nrows=5, ncols=5, figsize=(20, 20))
----> 5 sample_keys = list(train_dataset())
      7 for a in range(5):
      8     for b in range(5):

TypeError: 'Dataset' object is not callable

я тоже пробовал заменить

метка = ул(метка.numpy())

с

label = label, поскольку он уже находится в строковом формате, но затем я также получаю сообщение об ошибке, которое я все еще пытаюсь понять, почему