读取TensorFlow TFRecord时解析sign字段失败，求助解决方案

你的报错根源是TFRecord写入和读取时的特征类型不匹配：

• 写入TFRecord时，sign字段使用的是tf.train.Feature（对应单值或一维列表的Int64List）
• 读取时却错误使用了tf.io.FixedLenSequenceFeature，这个API用于解析tf.train.FeatureList（多维度序列数据），两者无法兼容，导致解析失败。

根据你写入时的逻辑，提供两种针对性修改方案：

方案一：如果phrase的长度固定（比如固定为59） #

修改decode_tfrec函数中sign的特征定义，改用FixedLenFeature并指定固定长度：

def decode_tfrec(record_bytes):
    features = tf.io.parse_single_example(record_bytes, {
        'coordinates': tf.io.FixedLenFeature([], tf.string),
        # 替换FixedLenSequenceFeature为FixedLenFeature，指定固定长度shape
        'sign': tf.io.FixedLenFeature([59], tf.int64),
    })
    out = {}
    out['coordinates'] = tf.reshape(tf.io.decode_raw(features['coordinates'], tf.float32), (-1,ROWS_PER_FRAME,3))
    out['sign'] = features['sign']
    return out

方案二：如果phrase的长度不固定 #

改用VarLenFeature解析可变长度的一维整数列表，再转为密集张量：

def decode_tfrec(record_bytes):
    features = tf.io.parse_single_example(record_bytes, {
        'coordinates': tf.io.FixedLenFeature([], tf.string),
        # 用VarLenFeature解析可变长度的int64列表
        'sign': tf.io.VarLenFeature(tf.int64),
    })
    out = {}
    out['coordinates'] = tf.reshape(tf.io.decode_raw(features['coordinates'], tf.float32), (-1,ROWS_PER_FRAME,3))
    # 将稀疏张量转为密集张量
    out['sign'] = tf.sparse.to_dense(features['sign'])
    return out

额外验证点 #

确保写入TFRecord时的phrase是一维整数列表，如果是二维数组，需要调整写入逻辑（改用FeatureList），但从你的代码看，phrase应为一维结构，上述方案即可解决问题。

内容的提问来源于stack exchange，提问作者Lệ Kiệt