TensorFlow 提供了 3 种不同的数据存储格式 tf.train.Feature
.它们是:
tf.train.BytesList
tf.train.FloatList
tf.train.Int64List
我经常在 tf.train.Int64List
之间做出选择/tf.train.FloatList
和 tf.train.BytesList
.
我在网上看到一些示例,它们将整数/ float 转换为字节,然后将它们存储在 tf.train.BytesList
中。 .这比使用其他格式之一更可取吗?如果是这样,为什么 TensorFlow 甚至提供 tf.train.Int64List
和 tf.train.FloatList
作为可选格式,您可以将它们转换为字节并使用 tf.train.BytesList
?
谢谢。
最佳答案
因为字节列表需要更多的内存。它旨在存储字符串数据,或者例如转换为单个字节串的 numpy 数组。考虑示例:
def int64_feature(value):
if type(value) != list:
value = [value]
return tf.train.Feature(int64_list=tf.train.Int64List(value=value))
def float_feature(value):
if type(value) != list:
value = [value]
return tf.train.Feature(float_list=tf.train.FloatList(value=value))
def bytes_feature(value):
return tf.train.Feature(bytes_list=tf.train.BytesList(value=[value]))
writer = tf.python_io.TFRecordWriter('file.tfrecords')
bytes = np.array(1.1).tostring()
int = 1
float = 1.1
example = tf.train.Example(features=tf.train.Features(feature={'1': float_feature(float)}))
writer.write(example.SerializeToString())
writer.close()
for str_rec in tf.python_io.tf_record_iterator('file.tfrecords'):
example = tf.train.Example()
example.ParseFromString(str_rec)
str = (example.features.feature['1'].float_list.value[0])
print(getsizeof(str))
对于 dtype float
它将输出 24 个字节,这是最小值。但是,您不能将 int
传递给 tf.train.FloatList
。在这种情况下,int
dtype 将占用 28 个字节,而未解码的字节数为 41 个(在应用 np.fromstring
之前),之后甚至更多。
关于python - 什么时候应该使用 tf.train.BytesList、tf.train.FloatList 和 tf.train.Int64List 将数据存储在 tf.train.Feature 中?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/55201347/