Tensorflow 一个用于不同训练数据的读取和解码功能

我是TensorFlow的新手，下面是我要做的：保存不同场景中的训练数据，然后读回。对于不同的场景，功能和输出的大小可能不同

问题是，当我试图读回数据时，出现了如下异常：

InvalidArgumentError (see above for traceback): Name: <unknown>, Key: observation, Index: 0. Number of float values != expected. Values size: 17 but output shape: [] 

读回数据的功能如下：

def read_and_decode(filename_queue):
    reader = tf.TFRecordReader()
    _, example = reader.read(filename_queue)
    features = tf.parse_single_example(
        example,
        features = {
            'obs' : tf.FixedLenFeature([], tf.float32),
            'action' : tf.FixedLenFeature([], tf.float32),
            'obs_size': tf.FixedLenFeature([], tf.int64),
            'action_size' : tf.FixedLenFeature([], tf.int64)
        }
    )

    obs_size = tf.cast(features['observation_size'], tf.int32)
    action_size = tf.cast(features['action_size'], tf.int32)

    obs_shape = tf.pack([1, obs_size])
    action_shape = tf.pack([1, action_size])

    obs = tf.reshape(obs, obs_shape)
    action = tf.reshape(action, action_shape)

---

您似乎在编写更长的列表（本例中为长度17），但在读取时指定了

tf.FixedLenFeature（[]，dtype）

，这意味着它需要符合标量张量的内容（即，具有单个值；

[]

，因为形状意味着标量）。既然您已经包含了大小，也许您可以使用

VarLenFeature

来代替？@AllenLavoie实际上我不太明白tf.FixedLenFeature的第一个参数是如何工作的。那么tf.FixedLenFeature（[17]，dtype）会起作用吗？在这种情况下，这意味着我期望一个有17个元素的一维张量？另外，如果你能提供一些链接，说明如何使用VarLenFeature，那就太好了。谢谢，如果所有序列的长度都是17，那么[17]作为

FixedLenFeature

的shape参数将起作用。有几个很好的例子说明

VarLenFeatures

如何映射到

SparseTensors

。

def read_and_decode(filename_queue):
    reader = tf.TFRecordReader()
    _, example = reader.read(filename_queue)
    features = tf.parse_single_example(
        example,
        features = {
            'obs' : tf.FixedLenFeature([], tf.float32),
            'action' : tf.FixedLenFeature([], tf.float32),
            'obs_size': tf.FixedLenFeature([], tf.int64),
            'action_size' : tf.FixedLenFeature([], tf.int64)
        }
    )

    obs_size = tf.cast(features['observation_size'], tf.int32)
    action_size = tf.cast(features['action_size'], tf.int32)

    obs_shape = tf.pack([1, obs_size])
    action_shape = tf.pack([1, action_size])

    obs = tf.reshape(obs, obs_shape)
    action = tf.reshape(action, action_shape)