TensorFlow 1.6读取TFRecords报错：features应为Tensor字典

这个报错ValueError: features should be a dictionary of Tensors. Given type: <class 'tensorflow.python.framework.ops.Tensor'> 本质是**TFRecords数据的输出格式和模型输入要求不匹配**——你直接读CSV时返回的是特征字典，而转成TFRecords后，解析逻辑可能返回了单个Tensor，导致模型（尤其是tf.estimator.Estimator`这类组件）无法识别。结合你的TensorFlow 1.6.0版本，我给你具体的排查和解决步骤：

1. 检查TFRecords的解析函数（最常见问题） #

你的解析函数大概率直接返回了单个特征张量，而没有封装成字典。模型期望的输入是{特征名: 张量}的结构，和CSV读取时的输出对齐。

错误示例（导致报错）： #

def parse_tfrecord(example_proto):
    # 定义特征解析格式
    feature_desc = {
        'age': tf.FixedLenFeature([], tf.float32),
        'income': tf.FixedLenFeature([], tf.float32),
        'label': tf.FixedLenFeature([], tf.int64)
    }
    parsed_features = tf.parse_single_example(example_proto, feature_desc)
    # 错误：直接返回合并后的特征张量，而非字典
    combined_features = tf.stack([parsed_features['age'], parsed_features['income']])
    return combined_features, parsed_features['label']

正确示例： #

方式1：保留多特征字典

如果模型需要多个独立特征输入，直接返回特征字典和标签：

def parse_tfrecord(example_proto):
    feature_desc = {
        'age': tf.FixedLenFeature([], tf.float32),
        'income': tf.FixedLenFeature([], tf.float32),
        'label': tf.FixedLenFeature([], tf.int64)
    }
    parsed_features = tf.parse_single_example(example_proto, feature_desc)
    # 提取特征字典（去掉label）和标签
    feature_dict = {k: v for k, v in parsed_features.items() if k != 'label'}
    return feature_dict, parsed_features['label']

方式2：合并特征后封装成字典

如果需要合并特征为单个张量，也要把它放进字典（键名要和模型输入层对应）：

def parse_tfrecord(example_proto):
    feature_desc = {
        'age': tf.FixedLenFeature([], tf.float32),
        'income': tf.FixedLenFeature([], tf.float32),
        'label': tf.FixedLenFeature([], tf.int64)
    }
    parsed_features = tf.parse_single_example(example_proto, feature_desc)
    combined_features = tf.stack([parsed_features['age'], parsed_features['income']])
    # 包装成字典，键名需和模型的特征列/输入层名称一致
    return {'combined_features': combined_features}, parsed_features['label']

2. 验证Dataset的输出格式 #

构建TFRecords Dataset时，确保map后的输出是(特征字典, 标签)的结构：

# 加载TFRecords文件
dataset = tf.data.TFRecordDataset('your_data.tfrecords')
# 应用解析函数
dataset = dataset.map(parse_tfrecord)
# 批量处理
dataset = dataset.batch(32)
# 如果用Estimator，train_input_fn要返回这个dataset或者(feature_dict, label)的迭代器
def train_input_fn():
    return dataset.make_one_shot_iterator().get_next()

3. 对齐模型输入与特征字典 #

如果使用tf.estimator，你的特征列要和特征字典的键名完全匹配。比如用方式2的字典时，特征列应该定义为：

feature_columns = [tf.feature_column.numeric_column('combined_features', shape=[2])]

额外提示：检查TFRecords写入逻辑 #

如果写入TFRecords时没有按字典结构存储特征，也会导致解析后无法生成正确的字典。写入时要确保每个特征都被封装到tf.train.Features中：

def serialize_example(age, income, label):
    feature = {
        'age': tf.train.Feature(float_list=tf.train.FloatList(value=[age])),
        'income': tf.train.Feature(float_list=tf.train.FloatList(value=[income])),
        'label': tf.train.Feature(int64_list=tf.train.Int64List(value=[label])),
    }
    example_proto = tf.train.Example(features=tf.train.Features(feature=feature))
    return example_proto.SerializeToString()

这样调整后，TFRecords的输出格式就和CSV读取时一致了，应该能解决这个报错。

内容的提问来源于stack exchange，提问作者LIN