Python 如何将字符串张量（从.tfrecords获得）转换为浮点张量？

我的网络的输入来自包含int32的文件。它们存储为.tf记录，如下所示：

  writer = tf.python_io.TFRecordWriter(output_file)
  with tf.gfile.FastGFile(file_path, 'rb') as f:
    data = f.read()
    example = tf.train.Example(features=tf.train.Features(feature={
      'data': tf.train.Feature(bytes_list=tf.train.BytesList(value=[data])) }))
    writer.write(example.SerializeToString())

然后我像这样读取tfrecords文件：

with tf.name_scope(self.name):
  filename_queue = tf.train.string_input_producer([path])
  reader = tf.TFRecordReader()

  _, serialized_example = reader.read(filename_queue)
  features = tf.parse_single_example(
      serialized_example,
      features={ 'data': tf.FixedLenFeature([], tf.string) })

  data = features['data']

阅读TFR记录后，我得到如下字符串张量：

Tensor("X/ParseSingleExample/ParseSingleExample:0", shape=(), dtype=string)

我想首先将其转换为int32，因为这是初始数据所表示的。在那之后，我需要得到一个浮子张量，有人能给我指出正确的方向吗

PS我是tensorflow的新手，如果我能提供更多有用的信息，请告诉我。这应该会有所帮助

data = features['data']
decoded = tf.decode_raw(data, tf.int32)

这将输出dtype

tf.int32

的张量。然后您可以对其进行重塑并将其转换为

tf.float32

decoded = tf.reshape(decoded, shape)
decoded = tf.cast(decoded, tf.float32)

如果要在

tf.Session

for str_rec in tf.python_io.tf_record_iterator('file.tfrecords'):
    example = tf.train.Example()
    example.ParseFromString(str_rec)
    data_str = example.features.feature['data'].bytes_list.value[0])
    decoded = np.fromstring(data_str, dtype)

要验证张量的内容，可以在图中插入一个打印节点，如下所述

---

您是使用

tf.parse\u single\u example

作为输入管道的一部分来读取tfrecords，还是只想使用

tf.python\u io

api来检查它？请添加您的代码，以便我们可以帮助您更新问题，您可以考虑将数据直接存储为浮动向量，而不是每次重新解释它的负载。正如答案所指出的，应该会有所帮助，只要确保

little_endian

参数正确即可。是的，数据流不是最佳的atm，baby steps；）感谢您的帮助，它似乎起到了作用。顺便问一下，我可以检查实际值吗？使用tf 1.7.1更新的问题，如果你没有会话就可以了。对不起，我应该更清楚，我指的是浮点张量的内容

# Add print operation
decoded = tf.Print(decoded, [decoded])