我正在阅读mnist_saved_model.py
在第62~64行，tf.placeholder返回序列化示例。而tf.parse_example函数就像这样使用它，
serialized_tf_example = tf.placeholder(tf.string, name='tf_example’)
feature_configs = {'x': tf.FixedLenFeature(shape=[784], dtype=tf.float32),}
tf_example = tf.parse_example(serialized_tf_example, feature_configs)
我知道placeholder会返回Tensor。然后，究竟'序列化tf.Example'是什么意思？
答案 0 :(得分：1)
tf.placeholder可以用作为不同类型数据建模的入口点。例如，您可以使用x = tf.placeholder(shape=[784], dtype=tf.float32)，它适用于为形状为[784]的NumPy数组提供数据并输入float。
在您的示例中，占位符应使用string类型。如果您直接从文本文件或TFRecord / protobuf（这是一种序列化数据的格式）获取数据，这将非常有用。 （要从protobuf获取字符串，您可以使用tf.python_io.tf_record_iterator。您还可以使用tf.data.Dataset API。
从TFRecord文件中获取字符串时，它是您示例的序列化表示形式。您现在想要将其解析为tf.Tensor。这是使用tf.parse_example完成的。 feature_configs字典指定如何解析字符串中的数据。
（注意：tf.parse_example实际上并不解析任何内容 - 它只会向可以执行解析的计算图形添加一个操作。当您使用sess.run(...)）运行图形时，将发生解析本身< / p>
解析后的张量为tf_example['x']。
修改
详细说明，作为对your comment的回复：在您的示例中，serialized_tf_example是tf.Tensor（可以通过运行type(serialized_tf_example)来验证）。它的数据类型是字符串（可以通过运行serialized_tf_example.dtype来验证）。与所有张量一样，这意味着您可以为其提供任何数据类型的多维数组（即字符串）。 （如果在tf.placeholder()调用中，您将为shape参数赋值，这将强制您为多维数组使用特定形状。因此，例如，这些是有效的调用：
sess = tf.Session()
sess.run(serialized_tf_example, feed_dict={serialized_tf_example:'abc'})
sess.run(serialized_tf_example, feed_dict={serialized_tf_example:[['some','strings'],['in an','array']]})
此张量实例名为serialized_example，因为其目的是使用将要处理的示例的序列化编码。然后使用tf.parse_example()