【tensorflow】TFRecord读写机理

tfrecord&＃xff0c;写的时候是一行一行地写的&＃xff0c;读的时候是每batch个行地读的。

写的时候&＃xff0c;通过for循环&＃xff08;例如&＃xff1a;img_path, cls_label &＃61; img_paths[i], cls_labels[I]&＃xff09;往tf.train.Example里面喂feature。
因此&＃xff0c;tf.train.Example中的feature喂入的是单行的数据&＃xff08;包括一个img_path、及其对应的encode_img、cls_label、pts_label&＃xff09;。

example &＃61; tf.train.Example(features&＃61;tf.train.Features(feature&＃61;{&＃39;img_path&＃39;: _bytes_feature(img_path),&＃39;encoded&＃39;: _bytes_feature(image_buffer),&＃39;cls_label&＃39;: _int64_feature(cls_label)
}))


可以通过 print(example)查看。

最后的数据会在tfrecord中形成一个二维list&＃xff1a;

[ { [img_path], [img_encode], [cls_label], [pts_label] }{ [img_path], [img_encode], [cls_label], [pts_label] }{ [img_path], [img_encode], [cls_label], [pts_label] }{ [img_path], [img_encode], [cls_label], [pts_label] }… …{ [img_path], [img_encode], [cls_label], [pts_label] } ]


list中每行&＃xff0c;都是一个完整的数据element&＃xff0c;element &＃61; { [img_path], [img_encode], [cls_label], [pts_label] }

具体地&＃xff0c;element &＃61; { [b’\path\to\img_1.jpg’], [\df\sdf\df\df\dfsxc\d], [1], [21.2, 34.6, 45.1, 56.7] }

element中的每一个单项都是 type list&＃xff0c;所以写入 _int64_feature、_float_feature、_bytes_feature 时&＃xff0c;一定是一个 一维list &＃xff01;