tf.feature_column解析tfrecord

对于获取的一个tfrecord eg. a.tfrecord，若未知对应的key，则可参考tf.train.Example.FromString解析tfrecord

---

# tfrecord结构
# message Example
# {
#     Features features = 1;
# };
#
# message Features
# {
#     map< string, Feature > featrue = 1;
# };
#
# message Feature
#
#     oneof kind{
#     BytesList bytes_list = 1;
#     FloatList float_list = 2;
#     Int64List int64_list = 3;
# }
# };

---

上一篇：tf 解析tfrecord  介绍tf.io.FixedLenFeature解析tfrecord

ps:在这篇中，介绍一种利用tf.feature_column来生成映射字典从而来解析tfrecord，但默认tfrecord使用tf.float32来存储，暂未知如何利用tf.feature_column来生成关于tf.string的映射字典，望大佬们不吝告知！！！！！

同样是cifar10的tfrecord，下载链接：https://download.csdn.net/download/u014426939/13619698

目前，新版本的tensorflow关于输入输出相关的函数都整合到tf.io下，因此，若想用FixedLenFeature,VarLenFeature，都需要写作tf.io.FixedLenFeature,tf.io.VarLenFeature,

解析函数也不例外:tf.io.parse_example, tf.io.parse_single_example

tf.io.parse_example:解析多个examples(向量型)

tf.io.parse_single_example:解析单个example

直接上代码感受：

import tensorflow as tf
import glob
tf.enable_eager_execution()#Eager模式


path='cifar/cifar10*.tfrecord*'

files=glob.glob(path)

label = tf.feature_column.numeric_column("label", shape=(), dtype=tf.dtypes.int64)   

feature_columns = [label]

features = tf.feature_column.make_parse_example_spec(feature_columns)  #生成featuredict
#out: features:{'label': FixedLenFeature(shape=(), dtype=tf.int64, default_value=None)}
data = tf.data.TFRecordDataset(files)  #读取tfrecord
#分别用tf.io.parse_single_example  和 tf.io.parse_example解析数据

data1 = data.map(lambda x : tf.io.parse_single_example(x, features = features ))
#data1.__iter__().next()
#out:{'label': <tf.Tensor: id=82, shape=(), dtype=int64, numpy=7>}

####################################################################
#利用parse_example 解析向量型的examples
#应用场景 同时获取多个tfrecord文件中的example，批量解析 
data_batch=data.batch(2)
data2 = data_batch.map(lambda x : tf.io.parse_example(x, features = features))
# data2.__iter__().next()
#out:{'label': <tf.Tensor: id=293, shape=(2,), dtype=int64, numpy=array([7, 0], #dtype=int64)>}