Поскольку список байтов потребует больше памяти. Он предназначен для хранения строковых данных или, например, массивов-пустышек, преобразованных в одну строку байтов. Рассмотрим пример:
def int64_feature(value):
if type(value) != list:
value = [value]
return tf.train.Feature(int64_list=tf.train.Int64List(value=value))
def float_feature(value):
if type(value) != list:
value = [value]
return tf.train.Feature(float_list=tf.train.FloatList(value=value))
def bytes_feature(value):
return tf.train.Feature(bytes_list=tf.train.BytesList(value=[value]))
writer = tf.python_io.TFRecordWriter('file.tfrecords')
bytes = np.array(1.1).tostring()
int = 1
float = 1.1
example = tf.train.Example(features=tf.train.Features(feature={'1': float_feature(float)}))
writer.write(example.SerializeToString())
writer.close()
for str_rec in tf.python_io.tf_record_iterator('file.tfrecords'):
example = tf.train.Example()
example.ParseFromString(str_rec)
str = (example.features.feature['1'].float_list.value[0])
print(getsizeof(str))
Для типа d float in будет выводиться 24 байта, самое низкое значение. Однако вы не можете передать int на tf.train.FloatList
. В этом случае Int dtype будет занимать 28 байтов, тогда как байты будут 41 не закодированы (до применения np.fromstring
) и даже больше после.