直接上代码：
# -*- coding: utf-8 -*-
import tensorflow as tf
from PIL import Image
#1 create dataset ，创建数据集
input_files=['../tfrecord/traindata-000.tfrecord','../tfrecord/traindata-001.tfrecord']
dataset=tf.data.TFRecordDataset(input_files)
#2 parser dataset，因为是tfrecord所以要定义解析含数来解析
def parser(record):
features=tf.parse_single_example(
record,
features={#和原来生成tfrecord时候要对应相同的
'label': tf.FixedLenFeature([], tf.int64),
'img_raw' : tf.FixedLenFeature([], tf.string),
'img_width': tf.FixedLenFeature([], tf.int64),
'img_height': tf.FixedLenFeature([], tf.int64),
}
)
return features["label"],features['img_raw'],features['img_width'],features['img_height']
dataset=dataset.map(parser)#接受的参数是一个函数
#3 use iterator get value 定义迭代器，才能获得起张量
iterator=dataset.make_one_shot_iterator()
label,img,width,height=iterator.get_next()
#担心数据不一致，所以转化一次
image = tf.decode_raw(img, tf.uint8)
height = tf.cast(height,tf.int32)
width = tf.cast(width,tf.int32)
label = tf.cast(label, tf.int32)
channel = 3
image = tf.reshape(image, [height,width,channel])
with tf.Session() as sess:
for i in range(300):
#test -->yes
#print(sess.run([label,img,width,height]))
#print('=======================================')
#数据集所有的参数已经确定，所以不要参数初始化过程，但是要有值，张量必须run（）一下
single,l = sess.run([image,label])
pic=Image.fromarray(single, 'RGB')
pic.save('./tfrecord2pic'+'/'+str(i)+'_''Label_'+str(l)+'.jpg')#存下图片
========提示
红色字体为要修改的地方。
其实和我的上一篇tfrecord格式数据转化为图片，一样。
只是这里用过dataset来读取而已，代码很多一样，只是解析部分不同。
效果如下：
