Image 解码失败。预期图像（JPEG、PNG或GIF）的格式未知，以'\257\

我将一些图像编码为TFRecords作为示例，然后尝试对它们进行解码。然而，在解码过程中有一个bug，我真的无法修复它

InvalidArgumentError:预期图像（JPEG、PNG或GIF），格式未知，以“\257\222\244\257\222\244\260\223\245\260\223\245\262\225\247\263”开头 [{{node DecodeJpeg}}][Op:IteratorGetNextSync]

编码： 定义字节功能（值）： “”“从字符串/字节返回字节列表。”“” 返回tf.train.Feature（bytes\u list=tf.train.BytesList（value=[value]））

解码： 导入IPython.display作为显示

train_files = tf.data.Dataset.list_files(r"E:\data\datatrainPrecipitate.tfrecords")
train_files = train_files.interleave(tf.data.TFRecordDataset)

def decode_example(example_proto):
    image_feature_description = {
    'image/height': tf.io.FixedLenFeature([], tf.int64),
    'image/width': tf.io.FixedLenFeature([], tf.int64),
    'image/class/label': tf.io.FixedLenFeature([], tf.int64, default_value=3),
    'image/encoded': tf.io.FixedLenFeature([], tf.string)
}
    parsed_features = tf.io.parse_single_example(example_proto, image_feature_description)
    height = tf.cast(parsed_features['image/height'], tf.int32)
    width = tf.cast(parsed_features['image/width'], tf.int32)
    label = tf.cast(parsed_features['image/class/label'], tf.int32)
    image_buffer = parsed_features['image/encoded']
    image = tf.io.decode_jpeg(image_buffer, channels=3)
    image = tf.cast(image, tf.float32)
    return image, label

def processed_dataset(dataset):
    dataset = dataset.repeat()
    dataset = dataset.batch(1)
    dataset = dataset.prefetch(buffer_size=tf.data.experimental.AUTOTUNE)
#     print(dataset)
    return dataset

train_dataset = train_files.map(decode_example)
# train_dataset = processed_dataset(train_dataset)
print(train_dataset)
for (image, label) in train_dataset:
    print(repr(image))

InvalidArgumentError:预期图像（JPEG、PNG或GIF），格式未知，以“\257\222\244\257\222\244\260\223\245\260\223\245\262\225\247\263”开头 [{{node DecodeJpeg}}][Op:IteratorGetNextSync]

我可以使用tf.io.decode_raw（）对tf记录进行解码，然后使用tf.reforme（）获得原始图像。虽然仍然不知道何时使用tf.io.decode_raw（）和何时使用tf.io.decode_jpeg（）。

我可以使用tf.io.decode_raw（）对tf记录进行解码，然后使用tf.reforme（）获得原始图像。但仍然不知道何时使用tf.io.decode_raw（）和何时使用tf.io.decode_jpeg（）

train_files = tf.data.Dataset.list_files(r"E:\data\datatrainPrecipitate.tfrecords")
train_files = train_files.interleave(tf.data.TFRecordDataset)

def decode_example(example_proto):
    image_feature_description = {
    'image/height': tf.io.FixedLenFeature([], tf.int64),
    'image/width': tf.io.FixedLenFeature([], tf.int64),
    'image/class/label': tf.io.FixedLenFeature([], tf.int64, default_value=3),
    'image/encoded': tf.io.FixedLenFeature([], tf.string)
}
    parsed_features = tf.io.parse_single_example(example_proto, image_feature_description)
    height = tf.cast(parsed_features['image/height'], tf.int32)
    width = tf.cast(parsed_features['image/width'], tf.int32)
    label = tf.cast(parsed_features['image/class/label'], tf.int32)
    image_buffer = parsed_features['image/encoded']
    image = tf.io.decode_jpeg(image_buffer, channels=3)
    image = tf.cast(image, tf.float32)
    return image, label

def processed_dataset(dataset):
    dataset = dataset.repeat()
    dataset = dataset.batch(1)
    dataset = dataset.prefetch(buffer_size=tf.data.experimental.AUTOTUNE)
#     print(dataset)
    return dataset

train_dataset = train_files.map(decode_example)
# train_dataset = processed_dataset(train_dataset)
print(train_dataset)
for (image, label) in train_dataset:
    print(repr(image))