Python Tensorflow tfrecords赢得'；不允许定形？ 处境

我正在尝试将图像数据存储在tfrecords中

细节 图像具有形状（256256,4）和标签（17）。TFR记录似乎保存正确（可以成功解码高度和宽度属性）

问题 当我使用会话从tfrecords中拉出图像和标签进行测试时，会抛出一个错误。似乎标签形状有问题

错误消息 信息：tensorflow:向协调器报告的错误：'tensorflow.python.framework.errors\u impl.InvalidArgumentError'>，输入到>整形是一个有34个值的张量，但请求的形状有17个值 [[Node:Reformate_4=Reformate[T=DT_INT32，Tshape=DT_INT32，>\u device=“/job:localhost/replica:0/task:0/cpu:0”]（DecodeRaw_5，>Reformate_4/shape）]]

代码 注意：我对第一部分很有信心，因为它是直接从tensorflow文档示例中复制的 错误部分。请注意，特别奇怪的是，如果我将重塑函数更改为[34]，仍然会得到相同的错误。

---

当标签在tfrecords中以字节形式保存之前是

tf.int16

时，可能会出现此问题。所以当你阅读时，它的数字是你期望的两倍。因此，您可以在tfrecords转换代码中通过：

label=tf.cast（y[i]，tf.int8）

确保正确写入标签。

在保存之前，我尝试将标签和图像都强制转换为np.int32，并将读数都转换为tf.int32，但没有成功。我仍在获取

INFO:tensorflow:Error reported to Coordinator:，整形的输入是一个有17个值的张量，但请求的形状有34[[Node:reforme_12=reforme[T=DT_INT32，Tshape=DT_INT32，_device=“/job:localhost/replica:0/task:0/cpu:0”]

在这种情况下，请检查标签的大小（=y[I]）并确认它有17个值。

y[0]。shape

返回

（17，）

，而

img。shape

返回

（256，256，4）

有时这个形状可能不是17吗？。当您在编写tfrecords时，当这个大小不是17时，您可以放置一个

assert

吗？感谢所有这些快速跟进，vijay，我将

assert len（label）==17

添加到tfrecrods创建中，并且没有收到任何错误。

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]))

"""Converts a dataset to tfrecords."""
# Open files
train_filename = os.path.join('./data/train.tfrecords')
validation_filename = os.path.join('./data/validation.tfrecords')

# Create writers
train_writer = tf.python_io.TFRecordWriter(train_filename)
# validation_writer = tf.python_io.TFRecordWriter(validation_filename)

for i in range(200):
    label = y[i]
    img = io.imread(TRAINING_IMAGES_DIR + '/train_' + str(i) + '.tif')

    example = tf.train.Example(features=tf.train.Features(feature={
        'width': _int64_feature([img.shape[0]]),
        'height': _int64_feature([img.shape[1]]),
        'channels': _int64_feature([img.shape[2]]),
        'label': _bytes_feature(label.tostring()),
        'image': _bytes_feature(img.tostring())
    }))

#     if i in validation_indices:    
#         validation_writer.write(example.SerializeToString())
#     else:
    train_writer.write(example.SerializeToString())

train_writer.close()
# validation_writer.close()

data_path = './data/train.tfrecords'

with tf.Session() as sess:
    feature = {'image': tf.FixedLenFeature([], tf.string),
               'label': tf.FixedLenFeature([], tf.string)}

    # Create a list of filenames and pass it to a queue
    filename_queue = tf.train.string_input_producer([data_path], num_epochs=1)

    # Define a reader and read the next record
    reader = tf.TFRecordReader()
    _, serialized_example = reader.read(filename_queue)

    # Decode the record read by the reader
    features = tf.parse_single_example(serialized_example, features=feature)

    # Convert the image data from string back to the numbers
    image = tf.decode_raw(features['image'], tf.float32)

    # Cast label data into int32
    label = tf.decode_raw(features['label'], tf.int8)

    # Reshape image data into the original shape
    image = tf.reshape(image, [256, 256, 4])
    label = tf.reshape(label, [17])

    # Any preprocessing here ...

    # Creates batches by randomly shuffling tensors
    images, labels = tf.train.shuffle_batch([image, label], batch_size=1, capacity=20, num_threads=1, min_after_dequeue=10)

    # Initialize all global and local variables
    init_op = tf.group(tf.global_variables_initializer(), tf.local_variables_initializer())
    sess.run(init_op)

    # Create a coordinator and run all QueueRunner objects
    coord = tf.train.Coordinator()
    threads = tf.train.start_queue_runners(coord=coord)

    img, lbl = sess.run([images, labels])
    img

    # Stop the threads
    coord.request_stop()

    # Wait for threads to stop
    coord.join(threads)

    sess.close()