什么时候将decode_raw与FixedLenFeature结合使用？

Question

我对TFRecord解码和编码的工作方式非常困惑，特别是使用tf.train.Feature(bytes_list=tf.train.BytesList(...))进行编码，然后再对其进行解码。

我想编写三种类型的数据--我的TFRecord:宽度/高度值(整数)、图像数据和字符串标签。我在网上查看了代码示例，我不确定何时需要使用decode_raw，何时不需要使用。

例如，假设这是我写它时的记录：

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

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

example = tf.train.Example(features=
            tf.train.Features(feature={
                'width': _int64_feature(256),
                'height': _int64_feature(256),
                'label': tf.train.Feature(bytes_list=tf.train.BytesList(
                    value=['LABEL{}'.format(np.random.choice(range(5))).encode('utf-8')]
                    )),
                'image_raw': _bytes_feature(raw)
                }))

阅读后，我对image_raw特性进行了解码，因为它将字节字符串转换为数字，这正是我想要的。但是，我的label应该是原始字符串，width/height应该是原始数字：

features = {
        'width': tf.FixedLenFeature([], tf.int64),
        'height': tf.FixedLenFeature([], tf.int64),
        'label': tf.FixedLenFeature([], tf.string),
        'image_raw': tf.FixedLenFeature([], tf.string),
    }
parsed_features = tf.parse_single_example(example_proto, features)

# Decode the raw bytes so it becomes a tensor with type.
image = tf.decode_raw(parsed_features['image_raw'], tf.uint16)

# Is parsed_features['label'] a valid string now?
# Are parsed_features['width'] and ['height'] good to use now?

我猜只有当我把数字数据写成字节字符串时才使用decode_raw --这是对的吗？

Answer 1

是的，decode_raw只会输出数值类型，所以只在您想要将字节字符串转换为数字值时才使用它，就像您对图像所做的那样。

来源：raw

编辑:更新的源链接