TFRecord 中 FixedLenFeature、VarLenFeature、FixedLenSequenceFeature 说明

为了解析每个输入样本每一列数据，需要定义一个解析字典。tensorflow提供了三种方式：FixedLenFeature、VarLenFeature、FixedLenSequenceFeature，分别解析定长特征、变长特征、定长序列特征。
首先：
FixedLenFeature() 函数有三个参数：
（1）shape：输入数据的shape。
（2）dtype：输入的数据类型。
（3）default_value：如果示例缺少此功能，则使用该值。它必须与dtype和指定shape兼容。

注意点：

tf.FixedLenFeature(shape=[], dtype=tf.int64)  # 解析得到的tensor的形状形如(bs, )
tf.FixedLenFeature(shape=[k], dtype=tf.int64) # 解析得到的tensor的形状形如(bs,k )
# 所以对于定长特征要加入维度，否则就是一个值，一般对label 不传长度
features = tf.parse_single_example(serialized_example,
                                       features={
     
                                           'label': tf.FixedLenFeature([381], tf.int64)
                                       })
# 项目中一个解析的实例代码
def _parse_record(example_proto):
    features = {
     
        "label": tf.FixedLenFeature([], tf.float32),
        "feat_ids": tf.FixedLenFeature([fixed_onehot_len], tf.int64),   # 必须写长度，且是onehot固定部分的总长度
        "feat_vals": tf.FixedLenFeature([fixed_onehot_len], tf.float32),  # 必须写长度，且是onehot固定部分的总长度
        "mul_feat_ids": tf.VarLenFeature(tf.int64),
        "mul_feat_vals": tf.VarLenFeature(tf.float32)
    }
    parsed_features = tf.parse_single_example(example_proto, features=features)
    return parsed_features                                       

附录：
dataset FixedLenFeature使用小坑