具有浮点数组的tensorflow记录

Question

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()

我在下面的示例代码中阅读了

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)

而且它运行得很好。现在我想用我的数组"map“做同样的事情，而不是uint8，我找不到如何做到这一点的例子；我尝试了_floats_feature函数，如果我向它传递一个标量，它就有效，但不能用数组；用uint8，序列化可以通过方法tostring()来完成；

如何序列化一个浮点型numpy数组，以及如何读回该数组？

Answer 1

FloatList和BytesList需要一个可迭代的。所以你需要向它传递一个浮点数的列表。去掉_float_feature中多余的括号，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

我将详述雅罗斯拉夫的答案。

Int64List、BytesList和FloatList需要iterator of the underlying elements (重复字段)。在您的例子中，您可以使用列表作为迭代器。

你提到过:如果我向它传递一个标量，而不是数组，它就会起作用。这是意料之中的，因为当您传递一个标量时，您的_floats_feature会在其中创建一个包含一个浮点元素的数组(与预期完全相同)。但是当你传递一个数组时，你会创建一个数组列表，并将其传递给一个函数，该函数需要一个浮点数列表。

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

Answer 3

我在处理类似的问题时偶然发现了这一点。由于原始问题的一部分是如何从tfrecords中读回float32功能，我将把这个留在这里，以防它对任何人有帮助：

如果使用map.ravel()将维度[x, y, z]的map输入到_floats_feature中

features = {
    ...
    'map': tf.FixedLenFeature([x, y, z], dtype=tf.float32)
    ...
}
parsed_example = tf.parse_single_example(serialized=serialized, features=features)
map = parsed_example['map']