本篇文章小编给大家分享一下tensorflow之tf.record实现存浮点数数组代码,小编觉得挺不错的,现在分享给大家供大家参考,有需要的小伙伴们可以来看看。
原因:数据存入tf.record,转为二进制也就是使用来tobytes()函数,再将数据存入tf.record,浮点数以二进制存入会有精度丢失问题。
如何将浮点数组存进tf.record:简单记录
import tensorflow as tf import numpy as np def _floats_feature(value): #这里的value=后面没有括号 #千万不要写成return tf.train.Feature(float_list=tf.train.FloatList(value=[value])) return tf.train.Feature(float_list=tf.train.FloatList(value=value)) # data you would like to save, dtype=float32 #这里我生成了一个浮点数数组,来假定作为我的数据 data = np.random.randn(shape=(5, 5)) #这里一定要铺平,不然存不进去 data = data.flatten() # open tfrecord file writer = tf.python_io.TFRecordWriter(train_data_path) # make train example example = tf.train.Example(features=tf.train.Features( feature={'data': _floats_feature(data)})) # write on the file writer.write(example.SerializeToString())
这就是存数据了,下一步读取数据,一定要注意将原来铺平的数据reshape为原来的形状。
# open tfrecorder reader reader = tf.TFRecordReader() # read file _, serialized_example = reader.read(filename_queue) # read data features = tf.parse_single_example(serialized_example, features={'data': tf.VarLenFeature(tf.float32)}) # make it dense tensor data = tf.sparse_tensor_to_dense(features['data'], default_value=0) # reshape data = tf.reshape(data, [5,5]) return tf.train.batch(data, batch_size, num_threads, capacity)