如何将Float数组或列表转换为TFRecord格式？

我来帮你把Float数组/列表转成TFRecord的流程梳理清楚，结合你给出的代码片段，下面是完整的可运行实现：

首先，我们需要定义三个辅助函数来生成TFRecord需要的Feature类型，分别对应整数、字节和浮点序列：

import tensorflow as tf
import numpy as np

def _int64_feature(value):
    # 处理单整数或整数列表
    return tf.train.Feature(int64_list=tf.train.Int64List(value=[value] if isinstance(value, int) else value))

def _bytes_feature(value):
    # 处理字节型数据（比如字符串、序列化后的张量等）
    return tf.train.Feature(bytes_list=tf.train.BytesList(value=[value]))

def _floats_feature(value):
    # 处理浮点数组/列表，直接传入可迭代的浮点序列即可
    return tf.train.Feature(float_list=tf.train.FloatList(value=value))

接下来是核心的TFRecord写入逻辑，我补全了你代码中省略的部分，假设train_data是包含Float数组（prices）、标签（label）和其他字段（pip）的数据集：

# 假设train_data是你的数据集，每个元素是(prices列表/数组, label, pip)
with tf.io.TFRecordWriter("train.tfrecords") as writer:  # 新版TF推荐用tf.io替代tf.python_io
    for row in train_data:
        prices, label, pip = row[0], row[1], row[2]
        
        # 将prices转换为numpy浮点数组（确保是float32类型，TF的FloatList默认对应float32）
        prices_array = np.asarray(prices).astype(np.float32)
        
        # 构建Feature字典，每个字段对应合适的Feature类型
        feature = {
            'prices': _floats_feature(prices_array),  # 直接传入浮点数组即可
            'label': _int64_feature(label),  # 假设label是整数类型
            'pip': _int64_feature(pip) if isinstance(pip, int) else _floats_feature([pip])  # 根据pip类型选择对应Feature
        }
        
        # 构建Example对象
        example = tf.train.Example(features=tf.train.Features(feature=feature))
        
        # 将Example序列化为字节并写入TFRecord文件
        writer.write(example.SerializeToString())

关键说明： #

• _floats_feature的参数可以直接是Python浮点列表或者numpy浮点数组，因为tf.train.FloatList(value=...)接受任何可迭代的浮点序列。
• 如果你的prices已经是numpy float32数组，那可以直接传入，不需要额外转换；如果是float64类型，建议转成float32以节省存储空间。
• 新版TensorFlow中推荐使用tf.io.TFRecordWriter替代旧的tf.python_io.TFRecordWriter，两者用法基本一致，但前者更贴合TF2.x的API规范。

内容的提问来源于stack exchange，提问作者Thien