Python TensorFlow：在从TFRecord文件解析TF示例时，为什么需要重新塑造非稀疏元素一次？

在的TensorFlow文档中，有以下代码：

# Reshape non-sparse elements just once:
for k in self._keys_to_features:
  v = self._keys_to_features[k]
  if isinstance(v, parsing_ops.FixedLenFeature):
    example[k] = array_ops.reshape(example[k], v.shape)

我想知道为什么在从TFRecord文件解析FixedLenFeature张量之后需要重新塑造它

---

事实上，定长特征和变长特征之间的区别是什么？它们与张量的相关性是什么？在这种情况下，我正在加载图像，那么为什么所有图像都会被归类为FixedLenFeature呢？VarLenFeature的示例是什么？

张量存储在磁盘上，没有形状信息（TFRecord文件是示例的集合）。

.proto

文件中的文档描述得相当好，但基本点是，张量条目按行大顺序存储，没有形状信息，因此必须在读取张量时提供。请注意，在内存中存储张量的情况类似：形状信息是单独保存的，仅重塑张量只会更改元数据（另一方面，转置之类的事情可能会很昂贵）

---

VarLenFeatures是像句子这样的序列，它们很难作为规则张量组合在一起，因为生成的形状会参差不齐。这本书有一些很好的例子。图像的长度是固定的，如果加载一批图像，它们都会有相同的形状（例如，它们都是32x32像素，所以一批10个图像可以有10x32x32的形状）。

意思是说，当我创建TFRecord文件时，我的图像都没有相同的形状是可以的，因为在我将它们加载到批中之前，我已经对它们进行了重塑？对于图像，我们不能使用VarLenFeatures，因为它会给我们一个稀疏张量（这不适用于图像），这是正确的吗？问题是在批处理图像时。您可以自由地从磁盘读取可变长度数组，但训练映像模型的唯一有效方法是将它们转换为密集的批处理格式，这意味着调整所有数组的大小。因此，读取稀疏张量，调整其大小，使其密集，然后对其进行批处理将是一个完美的输入管道。如果我已将所有图像调整为相同大小（例如500x500），即使我稍后必须通过预处理将其调整为更小的大小（例如299x299），这是否正确，阅读这些图片更有效，因为我在阅读TF示例时会将内容声明为FixedLenFeature？此外，由于TF示例一个接一个地读取，如果机器不知道其先前读取的其他示例的形状（这只是一个假设），那么FixedLenFeature与VarLenFeature如何区分？调整大小/重塑是否在TensorFlow中进行并不重要，假设有足够的并行处理，IO不是瓶颈。在TensorFlow中执行此操作的优点是，您可以轻松地进行切换，而且由于它更像是一个端到端的管道，因此可能更易于重复。关于第二个问题，输入阅读器不知道您的输入是否为固定长度，它只知道元素的数量是否与传递给FixedLenFeature的整数匹配。