具有float numpy数组的tensorflow记录

Question

我想创建张量流记录来提供我的模型; 到目前为止,我使用以下代码将uint8 numpy数组存储为TFRecord格式;

def _int64_feature(value):
  return tf.train.Feature(int64_list=tf.train.Int64List(value=[value]))


def _bytes_feature(value):
  return tf.train.Feature(bytes_list=tf.train.BytesList(value=[value]))


def _floats_feature(value):
  return tf.train.Feature(float_list=tf.train.FloatList(value=[value]))


def convert_to_record(name, image, label, map):
    filename = os.path.join(params.TRAINING_RECORDS_DATA_DIR, name + '.' + params.DATA_EXT)

    writer = tf.python_io.TFRecordWriter(filename)

    image_raw = image.tostring()
    map_raw   = map.tostring()
    label_raw = label.tostring()

    example = tf.train.Example(features=tf.train.Features(feature={
        'image_raw': _bytes_feature(image_raw),
        'map_raw': _bytes_feature(map_raw),
        'label_raw': _bytes_feature(label_raw)
    }))        
    writer.write(example.SerializeToString())
    writer.close()

我用这个示例代码阅读

features = tf.parse_single_example(example, features={
  'image_raw': tf.FixedLenFeature([], tf.string),
  'map_raw': tf.FixedLenFeature([], tf.string),
  'label_raw': tf.FixedLenFeature([], tf.string),
})

image = tf.decode_raw(features['image_raw'], tf.uint8)
image.set_shape(params.IMAGE_HEIGHT*params.IMAGE_WIDTH*3)
image = tf.reshape(image_, (params.IMAGE_HEIGHT,params.IMAGE_WIDTH,3))

map = tf.decode_raw(features['map_raw'], tf.uint8)
map.set_shape(params.MAP_HEIGHT*params.MAP_WIDTH*params.MAP_DEPTH)
map = tf.reshape(map, (params.MAP_HEIGHT,params.MAP_WIDTH,params.MAP_DEPTH))

label = tf.decode_raw(features['label_raw'], tf.uint8)
label.set_shape(params.NUM_CLASSES)

这工作正常.现在我想做同样的事情,我的数组"map"是一个float numpy数组,而不是uint8,我找不到如何做的例子; 我尝试了函数_floats_feature,如果我将标量传递给它,它可以工作,但不能使用数组; 使用uint8,序列化可以通过方法tostring()完成;

我如何序列化一个浮动numpy数组,我怎么能读回来？

Answer 1

FloatList并BytesList期望一个可迭代的.所以你需要传递一个浮动列表.删除你的额外括号_float_feature,即

def _floats_feature(value):
  return tf.train.Feature(float_list=tf.train.FloatList(value=value))

numpy_arr = np.ones((3,)).astype(np.float)
example = tf.train.Example(features=tf.train.Features(feature={"bytes": _floats_feature(numpy_arr)}))
print(example)

features {
  feature {
    key: "bytes"
    value {
      float_list {
        value: 1.0
        value: 1.0
        value: 1.0
      }
    }
  }
}

Answer 2

我将扩展雅罗斯拉夫的回答。

Int64List、BytesList 和 FloatList 需要底层元素（重复字段）的迭代器。在您的情况下，您可以使用列表作为迭代器。

您提到：如果我将标量传递给它，它会起作用，但不适用于 arrays。这是意料之中的，因为当您传递标量时，您_floats_feature会在其中创建一个包含一个浮点元素的数组（完全符合预期）。但是当你传递一个数组时，你会创建一个数组列表并将它传递给一个需要浮点数列表的函数。

因此，只需从您的函数中删除数组的构造： float_list=tf.train.FloatList(value=value)