tf2 加载未知结构的tfrecord 代码

由于TFRecord可以存储任意的二进制数据，因此如果我们不知道TFRecord的具体结构，那么我们需要进行一些探索和试错。

下面是一些可能有用的代码片段，可以帮助加载未知结构的TFRecord：

import tensorflow as tf

def read_tfrecord(filename):
    record_iterator = tf.compat.v1.python_io.tf_record_iterator(path=filename)

    for string_record in record_iterator:
        example = tf.train.Example()
        example.ParseFromString(string_record)

        # 打印TFRecord的所有字段和值
        for key in example.features.feature:
            value = example.features.feature[key].bytes_list.value
            print(f"{key}: {value}")

上述代码片段可以读取TFRecord文件中的所有记录，并将它们解析为`tf.train.Example`对象。然后，我们可以使用`example.features.feature`属性来访问每个字段的值，并将其打印出来。

如果我们知道TFRecord的预期结构，那么我们可以使用`tf.parse_single_example`函数来解析每个记录。例如，假设我们知道TFRecord包含一个名为`image`的图像字段和一个名为`label`的标签字段，我们可以使用以下代码：

def read_tfrecord(filename):
    record_iterator = tf.compat.v1.python_io.tf_record_iterator(path=filename)

    for string_record in record_iterator:
        example = tf.train.Example()
        example.ParseFromString(string_record)

        # 解析图像和标签字段
        features = {
            'image': tf.io.FixedLenFeature([], tf.string),
            'label': tf.io.FixedLenFeature([], tf.int64)
        }
        parsed = tf.io.parse_single_example(string_record, features)

        # 将图像解码为张量
        image = tf.io.decode_jpeg(parsed['image'])
        label = parsed['label']

        # 进行一些操作，例如将图像和标签送入模型进行推理
        ...

上述代码片段使用`tf.io.parse_single_example`函数解析图像和标签字段，并将图像解码为张量。然后，我们可以将图像和标签送入模型进行推理。

总之，加载未知结构的TFRecord需要一些探索和试错，但是在解析每个记录时使用`tf.parse_single_example`函数可以大大简化代码。