在TensorFlow的文档中，在GitHub上，有以下代码：
# 只重塑非稀疏元素一次：
for k in self._keys_to_features:
v = self._keys_to_features[k]
if isinstance(v, parsing_ops.FixedLenFeature):
example[k] = array_ops.reshape(example[k], v.shape)我想知道为什么在从TFRecord文件解析后需要重塑一个FixedLenFeature张量。
实际上，FixedLenFeature和VarLenFeature之间有什么区别，它们与张量有什么关联？我在这个案例中加载的是图像，那么为什么它们都被归类为FixedLenFeature？VarLenFeature的一个例子是什么？
回答：
张量在磁盘上以Example协议缓冲格式存储（TFRecord文件是Examples的集合）。.proto文件中的文档对此描述得相当好，但基本点是，张量条目以行主序存储，没有形状信息，因此在读取张量时必须提供这些信息。请注意，存储在内存中的张量情况类似：形状信息是单独保存的，仅仅重塑一个张量只会更改元数据（另一方面，像转置这样的操作可能会很昂贵）。
VarLenFeatures是像句子这样的序列，很难像常规张量那样批处理在一起，因为生成的形状会是参差不齐的。parse_example文档中有一些很好的例子。图像在长度上是固定的，如果你加载一批图像，它们都会有相同的形状（例如，它们都是32×32像素，因此一批10个图像可以有10x32x32的形状）。
