TensorFlow中tf.train.Feature初始化类型不匹配报错求助

嘿，我来帮你搞定这个TFRecord序列化的问题～你遇到的错误都是因为Feature的参数类型不匹配导致的，咱们一步步理清楚：

错误原因分析 #

1. 第一个TypeError：你给tf.train.Feature的bytes_list参数传了tf.train.Int64List，这就像给装水的杯子放了石头——类型完全不对！每个Feature的参数要严格对应：

   • 字节/字符串类型 → 用bytes_list参数，对应tf.train.BytesList
   • 整数类型 → 用int64_list参数，对应tf.train.Int64List
   • 浮点数类型 → 用float_list参数，对应tf.train.FloatList

2. 第二个TypeError：tf.train.BytesList要求传入的是字节对象，你直接传了整数numpy数组，肯定会报错。如果要把非字节类型转成字节存储，得先序列化数据。

正确的代码示例 #

下面是修正后的完整代码，覆盖三种常见Feature类型：

import tensorflow as tf
import numpy as np

# 1. 字符串/字节类型Feature
# Python3中字符串是Unicode，必须转成bytes才能存入BytesList
str_values = np.array(["a", "b"], dtype=str)
feature_str = tf.train.Feature(
    bytes_list=tf.train.BytesList(value=[s.encode("utf-8") for s in str_values])
)

# 2. 整数类型Feature
# 注意用int64_list参数对应Int64List，numpy数组保持int64 dtype更稳妥
int_values = np.array([32, 24], dtype=np.int64)
feature_int = tf.train.Feature(
    int64_list=tf.train.Int64List(value=int_values)
)

# 3. 浮点数类型Feature
# float_list对应FloatList，numpy数组用float32或float64都可以
flo_values = np.array([32.1, 24.1], dtype=np.float32)
feature_flo = tf.train.Feature(
    float_list=tf.train.FloatList(value=flo_values)
)

额外小技巧：存储整个numpy数组 #

如果你想把一整个数组（比如图片张量、矩阵）作为单个Feature存储，需要先把数组序列化成字节，再用BytesList：

# 序列化整个numpy数组
arr = np.array([[1, 2], [3, 4]], dtype=np.float32)
feature_arr = tf.train.Feature(
    bytes_list=tf.train.BytesList(value=[arr.tobytes()])
)

# 读取时反序列化的方式
# restored_arr = np.frombuffer(features['arr'].bytes_list.value[0], dtype=np.float32).reshape(2, 2)

这样修改后，你的Feature初始化就不会报错啦～

内容的提问来源于stack exchange，提问作者Chen Wei