python定义浮点数数组_tensorflow之tf.record实现存浮点数数组

因为最近打算转战Tensorflow,我将自己的脑部肿瘤分割课题从caffe转移到tensorflow上去

然后我将数据存到Tf.record里面去，出现来不收敛，以及精度上不去的等现象。

最终原因是：数据 存入tf.record,我转为二进制也就是使用来tobytes()函数，再将数据存入tf.record,浮点数以二进制存入会有精度丢失问题。

其实：当发现这个精度上不去的现象之后，我第一反应就是是不是精度丢失，然后上网跟别人交流，告诉我不可能是精度丢失，不信让我输出来看，结果我输出来看后，发现数值确实没有变化，所以就放弃来这个精度丢失的方向，转而去找别的方向，结果几经周折，无果之后，再来尝试这个，发现，确实是转为二进制导致来精度丢失(确实浪费来我很多精力，甚至一度想放弃)。

经验教训：跟别人交流，一定要保持理性，可以尝试别人的方法，但是不能丢掉自己的想法，因为没有人比你自己更了解你的项目。

下面来讲讲，如何将浮点数组存进tf.record:简单记录，不懂可以评论：

import tensorflow as tf

import numpy as np

def _floats_feature(value):

#这里的value=后面没有括号

#千万不要写成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

#这里我生成了一个浮点数数组，来假定作为我的数据

data = np.random.randn(shape=(5, 5))

#这里一定要铺平，不然存不进去

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())

这就是存数据了，下一步读取数据，一定要注意将原来铺平的数据reshape为原来的形状。

# 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)

以上这篇tensorflow之tf.record实现存浮点数数组就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持我们。

本文标题: tensorflow之tf.record实现存浮点数数组

本文地址: http://www.cppcns.com/jiaoben/python/300660.html