TensorFlow中TFRecordDataset.map报错：期望int64却获SparseTensor

这个报错的核心原因很明确：当你用tf.VarLenFeature解析TFRecord特征时，tf.parse_single_example返回的是SparseTensor对象，而后续代码（比如你返回example, label后用于分批或模型输入）期望的是常规的密集张量（比如int64/float32张量），类型不匹配就触发了TypeError。

给你几个直接有效的解决方法：

1. 把SparseTensor转换为密集张量 #

在read_single_record函数里，对所有用VarLenFeature解析出来的特征，调用tf.sparse.to_dense()方法转换为常规张量。注意要设置合适的default_value（比如浮点型用0.0，整型用0），用来填充稀疏张量中缺失的位置。

修改后的示例代码：

def read_single_record(record):
    keys_to_features = {
        # 其他特征定义...
        "image/label/by": tf.VarLenFeature(tf.float32),
        "image/label/class": tf.VarLenFeature(tf.int64)  # 和生成时的int_list_feature类型对应
    }
    features = tf.parse_single_example(record, keys_to_features)
    
    # 关键：转换SparseTensor为密集张量
    dense_label_by = tf.sparse.to_dense(features["image/label/by"], default_value=0.0)
    dense_label_class = tf.sparse.to_dense(features["image/label/class"], default_value=0)
    
    # 处理你的example特征（比如图像解码等逻辑）
    example = ...  # 你的其他特征处理代码
    label = (dense_label_by, dense_label_class)  # 根据你的需求组合标签
    return example, label

2. 检查特征定义和序列化的一致性 #

你提到生成TFRecord时用了int_list_feature，但解析时对应的特征如果用了tf.VarLenFeature(tf.float32)，这属于类型不匹配，也会引发潜在问题。一定要保证：

• 序列化时用int_list_feature → 解析时用tf.VarLenFeature(tf.int64)
• 序列化时用float_list_feature → 解析时用tf.VarLenFeature(tf.float32)

3. 可选：改用FixedLenFeature简化流程 #

如果你的变长特征虽然长度不固定，但可以用动态长度的密集张量存储（比如每个样本的标签数量可变，但都能存成一维数组），可以直接用tf.FixedLenFeature并指定shape=[None]，这样解析出来直接是密集张量，不需要额外转换：

keys_to_features = {
    # 替换VarLenFeature为FixedLenFeature
    "image/label/class": tf.FixedLenFeature([None], tf.int64, default_value=[])
}

这种方式更简洁，适合大多数变长特征的场景。

内容的提问来源于stack exchange，提问作者Makcheese