Tensorflow 需要类似字节的对象，而不是'；张量'；在急切模式下调用字符串张量上的映射时

我正试图使用TF.dataset.map来移植这段旧代码，因为我收到了一个弃用警告

从TFRecord文件中读取一组自定义协议的旧代码：

record\u iterator=tf.python\u io.tf\u record\u iterator（path=filename）
对于记录迭代器中的记录：
示例=MyProto（）
示例.ParseFromString（记录）

我试图使用渴望模式和地图，但我得到了这个错误

def parse_proto（字符串）：
proto_object=MyProto（）
proto_object.ParseFromString（字符串）

dataset=tf.data.TFRecordDataset（数据集\u路径）
parsed_protos=raw_tf_dataset.map（parse_proto）

此代码适用于：

对于原始数据集中的原始记录：
proto_object=MyProto（）
proto_object.ParseFromString（原始记录.numpy（））

但地图给了我一个错误：

TypeError: a bytes-like object is required, not 'Tensor'

---

使用参数映射函数结果并将其视为字符串的正确方法是什么？

您需要从张量中提取字符串并在

映射

函数中使用。下面是代码中要实现的步骤

您必须使用

tf.py\u函数（get\u path[x]，[tf.float32]）

来装饰map函数。您可以找到更多关于tf.py_函数的信息。在

tf.py_函数

中，第一个参数是

map

函数的名称，第二个参数是要传递给

map

函数的元素，最后一个参数是返回类型

您可以使用map函数中的

bytes.decode（file\u path.numpy（））

获取字符串部分

因此，请按如下所示修改您的程序

parsed_protos = raw_tf_dataset.map(parse_proto)

def parse_proto(string):
      proto_object = MyProto()
      proto_object.ParseFromString(string)

到

同时修改

parse_proto

，如下所示：

parsed_protos = raw_tf_dataset.map(parse_proto)

def parse_proto(string):
      proto_object = MyProto()
      proto_object.ParseFromString(string)

到

在下面的简单程序中，我们使用

tf.data.Dataset.list\u文件来读取图像的路径。接下来在
map
功能中，我们使用
load\u img
读取图像，然后执行
tf.image.central\u crop
功能来裁剪图像的中心部分

代码-

%tensorflow_version 2.x
import tensorflow as tf
from keras.preprocessing.image import load_img
from keras.preprocessing.image import img_to_array, array_to_img
from matplotlib import pyplot as plt
import numpy as np

def load_file_and_process(path):
    image = load_img(bytes.decode(path.numpy()), target_size=(224, 224))
    image = img_to_array(image)
    image = tf.image.central_crop(image, np.random.uniform(0.50, 1.00))
    return image

train_dataset = tf.data.Dataset.list_files('/content/bird.jpg')
train_dataset = train_dataset.map(lambda x: tf.py_function(load_file_and_process, [x], [tf.float32]))

for f in train_dataset:
  for l in f:
    image = np.array(array_to_img(l))
    plt.imshow(image)

输出-

%tensorflow_version 2.x
import tensorflow as tf
from keras.preprocessing.image import load_img
from keras.preprocessing.image import img_to_array, array_to_img
from matplotlib import pyplot as plt
import numpy as np

def load_file_and_process(path):
    image = load_img(bytes.decode(path.numpy()), target_size=(224, 224))
    image = img_to_array(image)
    image = tf.image.central_crop(image, np.random.uniform(0.50, 1.00))
    return image

train_dataset = tf.data.Dataset.list_files('/content/bird.jpg')
train_dataset = train_dataset.map(lambda x: tf.py_function(load_file_and_process, [x], [tf.float32]))

for f in train_dataset:
  for l in f:
    image = np.array(array_to_img(l))
    plt.imshow(image)


希望这能回答你的问题。快乐学习。
@Kartik Ayyar-希望我们已经回答了您的问题。如果你对答案感到满意，请接受并投票。