TensorFlow写入TFRecord后解析重塑浮点列表遇形状不兼容错误求助

这个错误的核心原因是你在读取TFRecord时，对Feature的定义和写入时的格式不匹配。让我拆解一下问题：

问题分析 #

在写入TFRecord时，你把每个3D数据（比如data_rgb、data_decalib）扁平化后作为一个浮点数组存入FloatList。但在读取时，你用了tf.FixedLenFeature([], tf.float32)——这个定义表示每个Feature是一个单个float标量，而不是数组。这就导致解析后得到的张量形状是()（标量），但你后续试图把它重塑成(8,)或者更高维的形状，自然会触发形状不兼容的错误。

解决方案 #

你需要在读取时，给每个FixedLenFeature指定对应的数组长度，也就是你写入时扁平化后的元素个数。具体步骤如下：

1. 计算每个Feature的扁平化长度：

   • data_rgb的长度是IMAGE_HEIGHT * IMAGE_WIDTH * 3（对应INPUT_RGB_SHAPE的元素总数）
   • data_depth的长度是IMAGE_HEIGHT * IMAGE_WIDTH * 1（对应INPUT_DEPTH_SHAPE的元素总数）
   • data_decalib的长度是8（对应LABEL_CALIB_SHAPE的元素总数）

2. 修改input_parser中的Feature定义，把每个FixedLenFeature的shape参数从[]改成对应的长度值。

修正后的代码 #

下面是调整后的input_parser函数和相关部分：

def input_parser(example_proto):
    # 计算每个feature的扁平化长度
    rgb_flat_len = np.prod(INPUT_RGB_SHAPE)
    depth_flat_len = np.prod(INPUT_DEPTH_SHAPE)
    calib_flat_len = np.prod(LABEL_CALIB_SHAPE)
    
    # 修正Feature定义：指定每个feature的数组长度
    features = {
        'data_rgb': tf.FixedLenFeature([rgb_flat_len], tf.float32),
        'data_depth': tf.FixedLenFeature([depth_flat_len], tf.float32),
        'data_decalib': tf.FixedLenFeature([calib_flat_len], tf.float32)
    }
    
    parsed_features = tf.parse_single_example(example_proto, features)
    
    # 直接重塑为目标形状，不需要额外set_shape（因为FixedLenFeature已经指定了长度）
    img_rgb = tf.reshape(parsed_features['data_rgb'], INPUT_RGB_SHAPE)
    img_depth = tf.reshape(parsed_features['data_depth'], INPUT_DEPTH_SHAPE)
    # data_decalib本身就是一维数组，不需要reshape，直接返回即可
    data_decalib = parsed_features['data_decalib']
    
    return img_rgb, img_depth, data_decalib

额外说明 #

• 如果你还是想保留set_shape，其实也可以，但在指定了FixedLenFeature的长度后，张量已经自带正确的形状了，所以set_shape不是必须的。
• 确保写入时的扁平化操作和读取时的长度计算完全一致，比如如果写入时用了value.flatten()，读取时的长度必须是原形状的元素总数，否则依然会出现形状错误。

内容的提问来源于stack exchange，提问作者Mark Rofail