【tensorflow】TFRecord读写机理

1. tfrecord，写的时候是一行一行地写的，读的时候是每batch个行地读的。

2. 写的时候，通过for循环（例如：img_path, cls_label = img_paths[i], cls_labels[I]）往tf.train.Example里面喂feature。
   因此，tf.train.Example中的feature喂入的是单行的数据（包括一个img_path、及其对应的encode_img、cls_label、pts_label）。

   example = tf.train.Example(features=tf.train.Features(feature={
       'img_path': _bytes_feature(img_path),
       'encoded': _bytes_feature(image_buffer),
       'cls_label': _int64_feature(cls_label)
   }))
   

   可以通过 print(example)查看。

3. 最后的数据会在tfrecord中形成一个二维list：

   [ { [img_path], [img_encode], [cls_label], [pts_label] }
     { [img_path], [img_encode], [cls_label], [pts_label] }
     { [img_path], [img_encode], [cls_label], [pts_label] }
     { [img_path], [img_encode], [cls_label], [pts_label] }
                                                … …
     { [img_path], [img_encode], [cls_label], [pts_label] } ]
   

   list中每行，都是一个完整的数据element，element = { [img_path], [img_encode], [cls_label], [pts_label] }

4. 具体地，element = { [b’\path\to\img_1.jpg’], [\df\sdf\df\df\dfsxc\d], [1], [21.2, 34.6, 45.1, 56.7] }

5. element中的每一个单项都是 type list，所以写入 _int64_feature、_float_feature、_bytes_feature 时，一定是一个 一维list ！