Numpy 带浮点数组的tensorflow记录

我想创建tensorflow记录来为我的模型提供数据； 到目前为止，我使用以下代码将uint8 numpy数组存储为TFRecord格式

def _int64_feature(value):
  return tf.train.Feature(int64_list=tf.train.Int64List(value=[value]))


def _bytes_feature(value):
  return tf.train.Feature(bytes_list=tf.train.BytesList(value=[value]))


def _floats_feature(value):
  return tf.train.Feature(float_list=tf.train.FloatList(value=[value]))


def convert_to_record(name, image, label, map):
    filename = os.path.join(params.TRAINING_RECORDS_DATA_DIR, name + '.' + params.DATA_EXT)

    writer = tf.python_io.TFRecordWriter(filename)

    image_raw = image.tostring()
    map_raw   = map.tostring()
    label_raw = label.tostring()

    example = tf.train.Example(features=tf.train.Features(feature={
        'image_raw': _bytes_feature(image_raw),
        'map_raw': _bytes_feature(map_raw),
        'label_raw': _bytes_feature(label_raw)
    }))        
    writer.write(example.SerializeToString())
    writer.close()

我用这个示例代码阅读了它

features = tf.parse_single_example(example, features={
  'image_raw': tf.FixedLenFeature([], tf.string),
  'map_raw': tf.FixedLenFeature([], tf.string),
  'label_raw': tf.FixedLenFeature([], tf.string),
})

image = tf.decode_raw(features['image_raw'], tf.uint8)
image.set_shape(params.IMAGE_HEIGHT*params.IMAGE_WIDTH*3)
image = tf.reshape(image_, (params.IMAGE_HEIGHT,params.IMAGE_WIDTH,3))

map = tf.decode_raw(features['map_raw'], tf.uint8)
map.set_shape(params.MAP_HEIGHT*params.MAP_WIDTH*params.MAP_DEPTH)
map = tf.reshape(map, (params.MAP_HEIGHT,params.MAP_WIDTH,params.MAP_DEPTH))

label = tf.decode_raw(features['label_raw'], tf.uint8)
label.set_shape(params.NUM_CLASSES)

这很好。现在我想对我的数组“map”做同样的处理，它是一个float numpy数组，而不是uint8，我找不到如何做的示例； 我尝试了函数_floats_功能，如果我向它传递一个标量，它就可以工作，但不能使用数组； 使用uint8，可以通过方法tostring（）完成序列化

---

如何序列化浮点numpy数组以及如何读取该数组？

FloatList

和

BytesList

需要一个iterable。所以你需要给它一个浮动列表。移除

\u float\u功能

中的额外括号，即

def _floats_feature(value):
  return tf.train.Feature(float_list=tf.train.FloatList(value=value))

numpy_arr = np.ones((3,)).astype(np.float)
example = tf.train.Example(features=tf.train.Features(feature={"bytes": _floats_feature(numpy_arr)}))
print(example)

features {
  feature {
    key: "bytes"
    value {
      float_list {
        value: 1.0
        value: 1.0
        value: 1.0
      }
    }
  }
}

---

我将详述雅罗斯拉夫的答案

Int64List、ByteList和FloatList需要一个（重复的字段）。在您的例子中，可以使用列表作为迭代器

您提到：如果我将标量传递给它，它就可以工作，但不能使用数组。这是意料之中的，因为当传递标量时，

\u floats\u特性

会在其中创建一个由一个float元素组成的数组（与预期完全相同）。但是当你传递一个数组时，你会创建一个数组列表，并将它传递给一个需要一个浮动列表的函数

---

因此，只需从函数中删除数组的构造：

float\u list=tf.train.FloatList（value=value）

Yaroslav的示例在nd数组作为输入时失败：

numpy_arr=np.one（（3,3））.astype（np.float）

---

当我使用numpy_arr.ravel（）作为输入时，我发现它是有效的。但是有更好的方法吗？

我在处理类似问题时偶然发现了这一点。由于原始问题的一部分是如何从

tfrecords

读回

float32

功能，我将把它留在这里，以防它对任何人都有帮助：

如果使用

map.ravel（）

将

map

尺寸

[x，y，z]

输入到

\u浮动\u功能中

：

功能={
...
“映射”：tf.FixedLenFeature（[x，y，z]，dtype=tf.float32）
...
}
parsed_example=tf.parse_single_示例（serialized=serialized，features=features）
map=parsed_示例['map']

Yaroslav提到，您需要浮点数列表，num_arr不是一个列表，因此您必须以某种方式将其展平，然后在将其传递给模型之前固定其形状。对于二维NumPy数组，您如何处理此问题