TFRecord作為tensorflow中廣泛使用的數(shù)據(jù)格式，它跨平臺，省空間，效率高。因為 Tensorflow開發(fā)者眾多，統(tǒng)一訓練時數(shù)據(jù)的文件格式是一件很有意義的事情，也有助于降低學習成本和遷移成本。

創(chuàng)新互聯(lián)建站專業(yè)提供成都主機托管四川主機托管成都服務器托管四川服務器托管，支持按月付款！我們的承諾：貴族品質、平民價格，機房位于中國電信/網通/移動機房，大邑服務器托管服務有保障！

但是TFRecord數(shù)據(jù)是二進制格式，沒法直接查看。因此，如何能夠方便的查看TFRecord格式和數(shù)據(jù)，就顯得尤為重要了。

為什么需要查看TFReocrd數(shù)據(jù)？首先我們先看下常規(guī)的寫入和讀取TFRecord數(shù)據(jù)的關鍵過程。

# 1. 寫入過程
# 一張圖片，我寫入了其內容，label，長和寬幾個信息
tf_example = tf.train.Example(
    features=tf.train.Features(feature={
      'encoded': bytes_feature(encoded_jpg),
      'label': int64_feature(label),
      'height': int64_feature(height),
      'width': int64_feature(width)}))
# 2. 讀取過程
# 定義解析的TFRecord數(shù)據(jù)格式
def _parse_image(example_proto):
   features = {'encoded':tf.FixedLenFeature((),tf.string),
  'label': tf.FixedLenFeature((), tf.int64),
  'height': tf.FixedLenFeature((), tf.int64),
  'width': tf.FixedLenFeature((), tf.int64)
}
return tf.parse_single_example(example_proto, features)
 
# TFRecord數(shù)據(jù)按照Feature解析出對應的真實數(shù)據(jù)
ds = ds.map(lambda x : _parse_image(x), num_parallel_calls=4)

當前名稱：TFRecord文件查看包含的所有Features代碼-創(chuàng)新互聯(lián)
分享地址：http://jinyejixie.com/article32/ggcsc.html

成都網站建設公司_創(chuàng)新互聯(lián)，為您提供定制網站、網站導航、虛擬主機、品牌網站設計、軟件開發(fā)、外貿網站建設

廣告

聲明：本網站發(fā)布的內容（圖片、視頻和文字）以用戶投稿、用戶轉載內容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內容未經允許不得轉載，或轉載時需注明來源： 創(chuàng)新互聯(lián)