快捷導(dǎo)航

tensorflow之tf.record實(shí)現(xiàn)存浮點(diǎn)數(shù)數(shù)組

更新時(shí)間：2020年02月17日 12:22:29 作者：zxyhhjs2017

今天小編就為大家分享一篇tensorflow之tf.record實(shí)現(xiàn)存浮點(diǎn)數(shù)數(shù)組，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧

因?yàn)樽罱蛩戕D(zhuǎn)戰(zhàn)Tensorflow,我將自己的腦部腫瘤分割課題從caffe轉(zhuǎn)移到tensorflow上去

然后我將數(shù)據(jù)存到Tf.record里面去，出現(xiàn)來不收斂，以及精度上不去的等現(xiàn)象。

最終原因是：數(shù)據(jù) 存入tf.record,我轉(zhuǎn)為二進(jìn)制也就是使用來tobytes()函數(shù)，再將數(shù)據(jù)存入tf.record,浮點(diǎn)數(shù)以二進(jìn)制存入會(huì)有精度丟失問題。

其實(shí)：當(dāng)發(fā)現(xiàn)這個(gè)精度上不去的現(xiàn)象之后，我第一反應(yīng)就是是不是精度丟失，然后上網(wǎng)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(jié)果我輸出來看后，發(fā)現(xiàn)數(shù)值確實(shí)沒有變化，所以就放棄來這個(gè)精度丟失的方向，轉(zhuǎn)而去找別的方向，結(jié)果幾經(jīng)周折，無果之后，再來嘗試這個(gè)，發(fā)現(xiàn)，確實(shí)是轉(zhuǎn)為二進(jìn)制導(dǎo)致來精度丟失（確實(shí)浪費(fèi)來我很多精力，甚至一度想放棄）。

經(jīng)驗(yàn)教訓(xùn)：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?yàn)闆]有人比你自己更了解你的項(xiàng)目。

下面來講講，如何將浮點(diǎn)數(shù)組存進(jìn)tf.record:簡(jiǎn)單記錄，不懂可以評(píng)論：

import tensorflow as tf
import numpy as np
 
def _floats_feature(value):
  #這里的value=后面沒有括號(hào)
  #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(gè)浮點(diǎn)數(shù)數(shù)組，來假定作為我的數(shù)據(jù)
data = np.random.randn(shape=(5, 5))
#這里一定要鋪平，不然存不進(jìn)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(shù)據(jù)了，下一步讀取數(shù)據(jù)，一定要注意將原來鋪平的數(shù)據(jù)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)

以上這篇tensorflow之tf.record實(shí)現(xiàn)存浮點(diǎn)數(shù)數(shù)組就是小編分享給大家的全部?jī)?nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。

您可能感興趣的文章: