前言

tensorflow提供了多種讀寫方式，我們最常見的就是使用tf.placeholder()這種方法，使用這個方法需要我們提前處理好數據格式，不過這種處理方法也有缺陷：不便于存儲和不利于分布式處理，因此，TensorFlow提供了一個標準的讀寫格式和存儲協議，不僅如此，TensorFlow也提供了基于多線程隊列的讀取方式，高效而簡潔，讀取速度也更快，據一個博主說速度能提高10倍，相當的誘人.【下面的實驗均是在tensorflow1.0的環境下進行】

tensorflow的example解析

example協議

在TensorFlow官方github文檔里面，有個example.proto的文件,這個文件詳細說明了TensorFlow里面的example協議，下面我將簡要敘述一下。

tensorflow的example包含的是基于key-value對的存儲方法，其中key是一個字符串，其映射到的是feature信息，feature包含三種類型：

BytesList：字符串列表

FloatList：浮點數列表

Int64List：64位整數列表

以上三種類型都是列表類型，意味著都能夠進行拓展,但是也是因為這種彈性格式，所以在解析的時候，需要制定解析參數，這個稍后會講。

在TensorFlow中，example是按照行讀的，這個需要時刻記住，比如存儲 矩陣，使用ByteList存儲的話，需要 大小的列表，按照每一行的讀取方式存放。

tf.tain.example

官方給了一個example的例子：

An Example for a movie recommendation application: features { feature { key: "age" value { float_list {  value: 29.0 }} } feature { key: "movie" value { bytes_list {  value: "The Shawshank Redemption"  value: "Fight Club" }} } feature { key: "movie_ratings" value { float_list {  value: 9.0  value: 9.7 }} } feature { key: "suggestion" value { bytes_list {  value: "Inception" }} }

上面的例子中包含一個features，features里面包含一些feature，和之前說的一樣，每個feature都是由鍵值對組成的，其key是一個字符串，其value是上面提到的三種類型之一。

Example中有幾個一致性規則需要注意：

如果一個example的feature K 的數據類型是 TT，那么所有其他的所有feature K都應該是這個數據類型

feature K 的value list的item個數可能在不同的example中是不一樣多的，這個取決于你的需求

如果在一個example中沒有feature k，那么如果在解析的時候指定一個默認值的話，那么將會返回一個默認值

如果一個feature k 不包含任何的value值，那么將會返回一個空的tensor而不是默認值

tf.train.SequenceExample

sequence_example表示的是一個或者多個sequences，同時還包括上下文context，其中，context表示的是feature_lists的總體特征，如數據集的長度等，feature_list包含一個key，一個value，value表示的是features集合(feature_lists)，同樣，官方源碼也給出了sequence_example的例子：