### 使用 TensorFlow 解析 JSON 数据 TensorFlow 并未直接提供用于解析 JSON 数据的功能，但在实际应用中可以通过先将 JSON 转换为 `tf.Example` 的二进制格式再进行解析的方式实现。以下是具体的操作流程： #### 将 JSON 数据转换为 TFRecord 格式的步骤 JSON 是一种轻量级的数据交换格式，通常需要将其转化为 TensorFlow 支持的标准格式（如 `tf.Example`）。这一步骤涉及以下几个方面： 1. **定义特征结构**：根据 JSON 中的键值对设计对应的 `tf.train.Feature` 结构[^3]。 2. **序列化操作**：通过 Python 字典映射到 `tf.train.Example` 对象并调用 `.SerializeToString()` 方法完成序列化[^4]。 ```python import tensorflow as tf import json def convert_json_to_tfexample(json_data): feature = { 'city': _bytes_feature(json_data['city'].encode('utf-8')), 'use_day': _int64_feature(json_data['use_day']), 'pay': _float_feature(json_data['pay']) } example_proto = tf.train.Example(features=tf.train.Features(feature=feature)) return example_proto.SerializeToString() def _bytes_feature(value): """Returns a bytes_list from a string / byte.""" return tf.train.Feature(bytes_list=tf.train.BytesList(value=[value])) def _int64_feature(value): """Returns an int64_list from a bool / enum / int / uint.""" return tf.train.Feature(int64_list=tf.train.Int64List(value=[value])) def _float_feature(value): """Returns a float_list from a float / double.""" return tf.train.Feature(float_list=tf.train.FloatList(value=[value])) ``` #### 使用 `tf.io.parse_example` 进行批量解析 一旦完成了从 JSON 到 TFRecord 文件的转化过程，则可利用 `tf.io.parse_example` 函数来执行高效的批量化解析工作。需要注意的是输入参数应当是一个批次形式而非单条记录。 ```python raw_dataset = tf.data.TFRecordDataset(["path/to/file.tfrecord"]) def decode_fn(record_bytes): return tf.io.parse_example( record_bytes, {"city": tf.io.FixedLenFeature([], dtype=tf.string), "use_day": tf.io.FixedLenFeature([], dtype=tf.int64), "pay": tf.io.FixedLenFeature([], dtype=tf.float32)} ) parsed_dataset = raw_dataset.map(decode_fn) for batch in parsed_dataset.take(5): print(batch) ``` 上述代码展示了如何加载已保存至本地磁盘上的 TFRecord 文件以及对其进行逐项解读的过程[^5]。 --- ###