Tensorflow mnist导出示例中使用的tf.parse_示例

我是tensorflow新手，正在阅读tensorflow示例中的mnist_export.py

有一件事我无法理解：

  sess = tf.InteractiveSession()
  serialized_tf_example = tf.placeholder(tf.string, name='tf_example')
  feature_configs = {
      'x': tf.FixedLenFeature(shape=[784], dtype=tf.float32),
  }
  tf_example = tf.parse_example(serialized_tf_example, feature_configs)
  x = tf.identity(tf_example['x'], name='x')  # use tf.identity() to assign name

上面的序列化示例是张量

我已经阅读了api文档，但似乎

序列化

是序列化的

示例

协议，如：

serialized = [
  features
    { feature { key: "ft" value { float_list { value: [1.0, 2.0] } } } },
  features
    { feature []},
  features
    { feature { key: "ft" value { float_list { value: [3.0] } } }
]

---

那么如何理解

tf\u example=tf.parse\u example（序列化的\u tf\u example，功能配置）

这里作为

serialized\u tf\u example

是张量，而不是

example

proto？

这里

serialized\u tf\u example

是

tf.train.example

的序列化字符串。有关用法，请参阅。第二章给出了一些示例链接

---

tf_example.SerializeToString（）将

tf.train.example

转换为字符串，而tf.parse_示例将序列化字符串解析为dict。

下面提到的代码提供了使用parse_示例的简单示例

import tensorflow as tf
sess = tf.InteractiveSession()
serialized_tf_example = tf.placeholder(tf.string, shape=[1], name='serialized_tf_example')
feature_configs = {'x': tf.FixedLenFeature(shape=[1], dtype=tf.float32)}
tf_example = tf.parse_example(serialized_tf_example, feature_configs)

feature_dict = {'x': tf.train.Feature(float_list=tf.train.FloatList(value=[25]))}
example = tf.train.Example(features=tf.train.Features(feature=feature_dict))
f = example.SerializeToString()


sess.run(tf_example,feed_dict={serialized_tf_example:[f]})