TensorFlow中tfrecord存储浮点数数组的精度陷阱与正确实现

不晚

发布时间：2026-10-13 | 4人浏览过

原创

本文探讨在TensorFlow中使用tfrecord存储浮点数数组时遇到的精度丢失问题。通过对比tobytes()二进制存储与直接序列化，揭示了二进制转换导致的精度损失，并提供了正确的代码实现，包括如何保存和读取浮点数组，确保数据完整性。

项目迁移背景与问题发现

近期，为了将脑部肿瘤分割项目从Caffe迁移至TensorFlow框架，我开始尝试新的技术栈。

在将数据存入Tfrecord文件的过程中，我遇到了模型不收敛以及精度无法提升的问题。

经过排查，根本原因在于数据存入tfrecord时使用了tobytes()函数将其转换为二进制格式。浮点数以二进制形式存储时，确实存在精度丢失的风险。

起初，面对精度不高的现象，我首先怀疑是精度丢失所致。在与他人交流时，对方认为不可能发生精度丢失，并建议我输出数据验证。当我实际输出查看后，发现数值看似未变，便暂时放弃了这一方向，转而寻找其他原因。然而，在多次尝试无果后，我重新审视了二进制转换这一环节，最终确认确实是转换为二进制导致了精度丢失。这个过程耗费了大量精力，甚至让我一度想要放弃。

此次经历带来的教训是：在与他人交流技术方案时，应保持理性。虽然可以参考他人的建议，但不能完全放弃自己的判断，因为没有人比你自己更了解你的项目细节。

tfrecord存储浮点数数组的正确实现

接下来，我将介绍如何将浮点数数组正确存入tfrecord文件中。如有疑问，欢迎在评论区留言讨论。


import tensorflow as tf
import numpy as np
 
def _floats_feature(value):
  #这里的value=后面没有括号
  #千万不要写成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
#这里我生成了一个浮点数数组，来假定作为我的数据
data = np.random.randn(shape=(5, 5))
#这里一定要铺平，不然存不进去
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())

以上是数据的存储过程。在下一步读取数据时，务必注意将展平后的数据重新reshape为原始形状，以恢复数据结构。


# 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)

以上关于TensorFlow中tfrecord实现存储浮点数数组的内容到此结束，希望能为读者提供参考，并欢迎大家支持本站。