如何将TFRecords读取的形状参数用于tf.reshape（替代硬编码）

嘿，我之前也遇到过一模一样的场景！你现在的需求就是从TFRecord里读出image_size、seq_steps这些形状参数，然后用它们来动态reshape你的input_seq张量对吧？我给你整理了完整的解析函数写法，还加了一些关键细节的说明：

首先补全并完善你的_parse_function：

def _parse_function(example_proto):
    # 定义TFRecord的特征解析规则
    keys_to_features = {
        'image_size': tf.FixedLenFeature((), tf.int64),
        'seq_steps': tf.FixedLenFeature((), tf.int64),
        'K': tf.FixedLenFeature((), tf.int64),
        'T': tf.FixedLenFeature((), tf.int64),
        'input_seq': tf.FixedLenFeature((), tf.string)
    }
    # 解析单个TFRecord示例
    parsed_features = tf.io.parse_single_example(example_proto, keys_to_features)
    
    # 把int64类型转成int32（很多TensorFlow操作默认用int32，避免类型不匹配的问题）
    image_size = tf.cast(parsed_features['image_size'], tf.int32)
    seq_steps = tf.cast(parsed_features['seq_steps'], tf.int32)
    K = tf.cast(parsed_features['K'], tf.int32)
    T = tf.cast(parsed_features['T'], tf.int32)
    
    # 将字符串格式的input_seq解码回原始数值张量
    # 这里的tf.float32要和你写入TFRecord时的数据类型一致，比如你存的是float64就改成tf.float64
    input_seq = tf.io.decode_raw(parsed_features['input_seq'], tf.float32)
    
    # 用读取到的参数构建目标形状
    # 这里的形状顺序要和你写入TFRecord前input_seq的原始形状完全对应，比如我假设是[seq_steps, image_size, image_size, K, T]
    # 你可以根据自己的数据结构调整顺序
    target_shape = tf.stack([seq_steps, image_size, image_size, K, T])
    
    # 执行动态reshape
    input_seq_reshaped = tf.reshape(input_seq, target_shape)
    
    # 返回处理后的结果，你可以根据需求添加其他返回值（比如标签等）
    return input_seq_reshaped

几个必须注意的关键点：

• 数据类型匹配：解码input_seq时用的类型（比如tf.float32）必须和你写入TFRecord时的类型完全一致，不然会出现数值错乱或者形状不匹配的问题。
• 形状顺序对应：target_shape里的参数顺序要和你写入前input_seq的原始形状完全一致，比如你写入前是[image_size, image_size, seq_steps, K, T]，就要调整tf.stack里的参数顺序。
• 展平写入的对应：你写入TFRecord时，必须把input_seq先展平成一维数组再转成字符串，比如写入时的代码大概是这样的：

  # 写入TFRecord时的示例代码（供参考，确保和读取逻辑对应）
  original_input_seq = ...  # 原始形状为[seq_steps, image_size, image_size, K, T]的张量
  # 先展平成一维
  flattened_input = tf.reshape(original_input_seq, [-1])
  # 转成字符串存入TFRecord
  input_seq_str = tf.io.encode_raw(flattened_input, tf.float32)
  

最后，在使用tf.data.Dataset时，直接用map调用这个解析函数就行：

dataset = tf.data.TFRecordDataset("your_dataset.tfrecord")
dataset = dataset.map(_parse_function)

内容的提问来源于stack exchange，提问作者anon