我正在尝试使用VGGish模型的预训练基础产生的128字节嵌入来进行音频数据的传输学习。使用python vggish_inference_demo.py --wav_file ...将训练数据编码为tfrecord效果很好，但现在我想将其用作其他模型的输入（例如，我用keras或其他方法创建的神经网络）。使用一些similar questions和文档，我将一个文件的第一个嵌入记录扩展到了这一步：
tfrecords_filename = 'example1.tfrecord'
record_iterator = tf.python_io.tf_record_iterator(path=tfrecords_filename)
string_record = next(record_iterator)
example = tf.train.SequenceExample()
example.ParseFromString(string_record)
print(example.feature_lists.feature_list['audio_embedding'].feature[0].bytes_list.value)
这产生
[b'\x99\x07\xaa>\xd2_R_\x9f\xbbqN\x99\xa18V\xad\x7f\x93\xf0)\xdd4\x80~\xb0\xa4d\x8e\x85\xb6\x88\xa3?U\xa6Q[\x9b\x038\xff\x00EE>OJ\xa5\xb8\x828)\x97^\x8a\xaa\x12h\xff\xff\xc39\xce\x9b\x13\x80\x00j\xcaZ\xac\xff\xff\x0f\xac\x1c\x90&\xd2.b\xe2{\xc1\x15\xe9\xba\xed\xd4\xa9\xff\xdc\xb5\x99]!\x04\xca\xff\xa6;b\xe0\x19\xbfW\xebP!\xff\xc5\xff\x82\xff\x1a\xbe\xec-h\xff\x8d\xff\r\x96\x00\x00\xff']
我什至不知道这个b'...'是什么（大于64个且小于128个xs-因此不确定该如何与任何东西对齐）。
也许我在这里缺少一些Python的基本知识，但是如何将其转换为数字的数值数组，可以用作其他模型的输入？
答案 0 :(得分：2)
事实证明，这些字节可以转换为十六进制，可以转换为0到255之间的整数数组。
import tensorflow as tf
import numpy as np
tfrecords_filename = 'example1.tfrecord'
record_iterator = tf.python_io.tf_record_iterator(path=tfrecords_filename)
string_record = next(record_iterator)
example = tf.train.SequenceExample()
example.ParseFromString(string_record)
hexembed = example.feature_lists.feature_list['audio_embedding'].feature[0].bytes_list.value[0].hex()
arrayembed = [int(hexembed[i:i+2],16) for i in range(0,len(hexembed),2)]
print(arrayembed)
这会产生我想要的格式的输出：
[153、7、170、62、210、95、82、95、159、187、113、78、153、161、56， 86、173、127、147、240、41、221、52、128、126、176、164、100、142， 133、182、136、163、63、85、166、81、91、155、3、56、255、0、69、69， 62、79、74、165、184、130、56、41、151、94、138、170、18、104、255， 255、195、57、206、155、19、128、0、106、202、90、172、255、255、15， 172、28、144、38、210、46、98、226、123、193、21、233、186、237、212， 169、255、220、181、153、93、33、4、202、255、166、59、98、224、25， 191、87、235、80、33、255、197、255、130、255、26、190、236、45、104， 255、141、255、13、150、0、0、255]