tensorflow之tf.record如何實現存浮點數數組

這篇文章主要介紹tensorflow之tf.record如何實現存浮點數數組，文中介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們一定要看完！

因為最近打算轉戰Tensorflow,我將自己的腦部腫瘤分割課題從caffe轉移到tensorflow上去

然后我將數據存到Tf.record里面去，出現來不收斂，以及精度上不去的等現象。

最終原因是：數據 存入tf.record,我轉為二進制也就是使用來tobytes()函數，再將數據存入tf.record,浮點數以二進制存入會有精度丟失問題。

其實：當發現這個精度上不去的現象之后，我第一反應就是是不是精度丟失，然后上網跟別人交流，告訴我不可能是精度丟失，不信讓我輸出來看，結果我輸出來看后，發現數值確實沒有變化，所以就放棄來這個精度丟失的方向，轉而去找別的方向，結果幾經周折，無果之后，再來嘗試這個，發現，確實是轉為二進制導致來精度丟失（確實浪費來我很多精力，甚至一度想放棄）。

經驗教訓：跟別人交流，一定要保持理性，可以嘗試別人的方法，但是不能丟掉自己的想法，因為沒有人比你自己更了解你的項目。

下面來講講，如何將浮點數組存進tf.record:簡單記錄，不懂可以評論：

import tensorflow as tf
import numpy as np
 
def _floats_feature(value):
  #這里的value=后面沒有括號
  #千萬不要寫成return tf.train.Feature(float_list=tf.train.FloatList(value=[value]))
  return tf.train.Feature(float_list=tf.train.FloatList(value=value))
 
# data you would like to save, dtype=float32
#這里我生成了一個浮點數數組，來假定作為我的數據
data = np.random.randn(shape=(5, 5))
#這里一定要鋪平，不然存不進去
data = data.flatten()
 
 
# open tfrecord file
writer = tf.python_io.TFRecordWriter(train_data_path)
 
# make train example
example = tf.train.Example(features=tf.train.Features(
  feature={'data': _floats_feature(data)}))
 
# write on the file
writer.write(example.SerializeToString())

這就是存數據了，下一步讀取數據，一定要注意將原來鋪平的數據reshape為原來的形狀。

# open tfrecorder reader
reader = tf.TFRecordReader()
 
# read file
_, serialized_example = reader.read(filename_queue)
 
# read data
features = tf.parse_single_example(serialized_example,
  features={'data': tf.VarLenFeature(tf.float32)})
 
# make it dense tensor
data = tf.sparse_tensor_to_dense(features['data'], default_value=0)
 
# reshape
data = tf.reshape(data, [5,5])
 
return tf.train.batch(data, batch_size, num_threads, capacity)

以上是“tensorflow之tf.record如何實現存浮點數數組”這篇文章的所有內容，感謝各位的閱讀！希望分享的內容對大家有幫助，更多相關知識，歡迎關注億速云行業資訊頻道！