Python 如何在tensorflow中解析张量而不给出_类型？

解析序列化张量时，

tf.io.parse\u张量

具有所需的kwarg“out\u类型”。然而，tf似乎确实需要知道序列化张量的类型，因为当一个人给出错误的类型时，它会设法打印出好的类型

没有这个参数我怎么能解析呢

MWE：

tf.io.parse_tensor（tf.io.serialize_tensor（tf.constant（[1]）），tf.int32）
解析张量（tf.io.serialize张量（tf.constant（[1]））
回溯（最近一次呼叫最后一次）：
文件“”，第1行，在
TypeError:parse_tensor（）缺少1个必需的位置参数：“out_type”
解析张量（tf.io.serialize张量（tf.constant（[1]）），tf.float32）
回溯（最近一次呼叫最后一次）：
文件“”，第1行，在
文件“/Users/clementwart/.pyenv/versions/keras_fsl/lib/python3.6/site packages/tensorflow/python/ops/gen_parsing_ops.py”，第2160行，在parse_tensor中
_操作。从“不正常”状态（e，名称）提升
文件“/Users/clementwart/.pyenv/versions/keras_fsl/lib/python3.6/site packages/tensorflow/python/framework/ops.py”，第6653行，处于“从非正常状态提升”
六、将_从（核心状态）提升到_异常（例如代码、消息），无
文件“”，第3行，从
tensorflow.python.framework.errors\u impl.InvalidArgumentError:解析的张量（int32）和数据类型（float）之间的类型不匹配[Op:ParseTensor]

编辑：

我想出了一种“黑客”解决方案，可以读取不同类型的张量，将它们转换为给定的类型，并使用

@tf.function

（有趣的是，没有

@tf.function

，它就无法工作）。其思想是读取

TensorProto

消息的第二个字节，该字节应指示数据类型，然后制作

tf.switch\u case

以从一系列可能的源数据类型转换。以下是它的工作原理：

将tensorflow导入为tf
#可以使用的不同数据类型集
整数类型=冻结集（{tf.bool，tf.uint8，tf.uint16，tf.uint32，tf.uint64，
tf.int8、tf.int16、tf.int32、tf.int64}）
FLOAT_DTYPES=frozenset（{tf.float16，tf.bfloat16，tf.float32，tf.float64}）
复杂类型=冻结集（{tf.complex64，tf.complex128}）
实型=整数型|浮点型
数字类型=真实类型|复杂类型
@功能
def parse_tensor_cast（tensor_proto，out_dtype，可能的_dtypes=REAL_dtypes）：
#备枝
分支={}
dtype_idx=[0]*128
对于i，枚举中的数据类型（可能的类型）：
dtype_idx[dtype.as_datatype_enum]=i
分支[i]=lambda:tf.dtypes.cast(
tf.io.parse_tensor（tensor_proto，dtype），out_dtype）
dtype_idx=tf.constant（dtype_idx，tf.int32）
#提取数据类型字节（解决方案的“黑客”部分）
dtype_code=tf.strings.substr（张量_proto，1，1）
dtype_num=tf.io.decode_raw（dtype_代码，tf.uint8）[0]
dtype\u num\u idx=dtype\u idx[tf.dtypes.cast（dtype\u num，tf.int32）]
#开关操作
返回tf.switch\u case（dtype\u num\u idx，分支）
#试验
序列化的_张量=[
tf.io.serialize_张量（tf.constant（[1,2,3]，tf.int32）），
tf.io.serialize_张量（tf.constant（[1,2,3]，tf.float64））
]
对于序列化_张量中的t：
打印（解析张量转换（t，tf.float32））
# [1 2 3]
# [1 2 3]

---

不幸的是，你不能跳过这个论点。如果只有急切模式，则不需要该模式，但如果您希望“图形化”此操作（例如在

@tf.function

中），则需要在实际解析发生之前提前知道数据类型

如果您只对“渴望”模式感兴趣，那么解决此问题并不困难：

将numpy导入为np
导入tensorflow作为tf
输入张量=tf.常数（[1,2,3]，tf.int32）
#一个标量tf.string张量，包含序列化的输入_张量
serialized_tensor=tf.io.serialized_tensor（输入_tensor）
#从序列化的\u tensor内容创建TensorProto
tensor_proto=tf.core.framework.tensor_pb2.TensorProto（）
tensor_proto.ParseFromString（序列化的_tensor.numpy（））
#在这一点上，这相当于tf.make_tensor_proto
tf.make_tensor_proto（输入_tensor）
#从tensor_proto读回数据
tensor_parsed=tf.io.parse_tensor（序列化的_tensor.numpy（），
tf.dtypes.as\u dtype（张量\u原型dtype））
断言相等（输入张量，解析张量）
#您也可以直接从提取的消息创建张量
numpy_parsed=tf.make_ndarray（张量原）
np.testing.assert_array_equal（input_tensor.numpy（），numpy_解析）

非常好的答案，谢谢。我刚刚编辑了这个片段，希望能澄清一下bit@ClementWalter我为使用

@tf.function

的问题添加了一种“技巧”解决方案。老实说，我认为开发人员可以以更好的方式向库中添加类似的便利函数。。。