Python 如何将固定镜头功能写入tfrecord

我正在努力学习编写tensorflow tfrecord文件的基础知识。我正在用python编写一个带有ndarray的简单示例，但出于某种原因，当我阅读它时，它必须是可变长度的，并将其作为SparseTensor读取

下面是一个例子

def serialize_tf_record(features, targets):
    record = {
        'shape': tf.train.Int64List(value=features.shape),
        'features': tf.train.FloatList(value=features.flatten()),
        'targets': tf.train.Int64List(value=targets),
    }

    return build_tf_example(record)

def deserialize_tf_record(record):
    tfrecord_format = {
        'shape': tf.io.VarLenFeature(tf.int64),
        'features': tf.io.VarLenFeature(tf.float32),
        'targets': tf.io.VarLenFeature(tf.int64),
    }

    features_tensor = tf.io.parse_single_example(record, tfrecord_format)
    return features_tensor

---

有人能向我解释为什么这会写可变长度的记录吗？它在代码中是固定的，但我似乎无法以tensorflow知道其固定的方式来编写它。tensorflow文档在这里非常可怕。有人能为我解释一下API吗？

您应该提供更多上下文代码，比如您的

构建示例

函数以及功能和目标的示例

下面是一个返回稠密张量的示例：

将numpy作为np导入
导入tensorflow作为tf
def build_tf_示例（记录）：
返回tf.train.Example（features=tf.train.features（feature=record））.SerializeToString（）
def序列化_tf_记录（功能、目标）：
记录={
“形状”：tf.train.Feature（int64_list=tf.train.Int64List（value=features.shape）），
“功能”：tf.train.Feature（float\u list=tf.train.FloatList（value=features.flatte（）），
“目标”：tf.train.Feature（int64_list=tf.train.Int64List（value=targets）），
}
返回build\u tf\u示例（记录）
def反序列化_tf_记录（记录）：
tfrecord\u格式={
“形状”：tf.io.FixedLenSequenceFeature（（），dtype=tf.int64，allow_missing=True），
“功能”：tf.io.FixedLenSequenceFeature（（），dtype=tf.float32，allow_missing=True），
“目标”：tf.io.FixedLenSequenceFeature（（），dtype=tf.int64，allow_missing=True），
}
features\u tensor=tf.io.parse\u single\u示例（record，tfrecord\u格式）
张量返回特征
def main（）：
特征=np.零（（3,5,7））
targets=np.ones（（4，），dtype=int）
打印（反序列化\u tf\u记录（序列化\u tf\u记录（特性、目标）））
如果uuuu name uuuuuu='\uuuuuuu main\uuuuuuu'：
main（）

• 我将

  记录

  转换为功能字典（以便轻松序列化）
• 据我所知，每个特征都可以是一个数组（与标量值相对），因此可以使用

  FixedLenSequenceFeature

  input特征对其进行解析，以构建密集张量而不是稀疏张量