下面是我使用的路由代码：imgs_inputfn（）> NNTrainEvalBuild（），我知道我是使用TFRecords的，

解析它，就像解码它一样。

Out（图片和标签）

然后对图像进行一些处理（不确定是否重要）。

然后再次将其变成张量，张量只是带有标签的字典。

1）使用张量如何将其输入到（NNTrainEvalBuild）的输入中，NNTainEvalBuild只是我的思维定势。但似乎大脑没有输入。

2）如果NNTrainEvalBuild实际上只是一个大脑*，而我所做的只是定义NeuralNetwork / Brain 那么我该如何用张量/解析的TFrecords训练它。

我应该做一个手动循环来训练还是tf已经有一个使用参数调用函数的模块？ 例如：Handsome.py，具有以下功能：TrainBrain（tensor）：找到大脑，用张量进行大脑训练

那么我要做的就是

导入tf.Mansome作为OMG

OMG.TrainBrain（张量）

但即使这样，函数如何占用我的（Brain / NeuralNetwork）？

3，可视化）就像我有一个大脑（NN）和一个有图片的世界（TFRecords）。

但是反射光似乎是红外线，所以我将其处理为可见光（张量）

但是不知何故，大脑没有眼睛（有些功能需要张量和N.N.将它们连接在一起。）

??任何帮助都会非常有用，因为我一直在寻找具有高级API支持的教程。

Win-10，TF-1.15，使用Virtual Env for ML，

import TensorFlow

def imgs_input_fn(tfRecordspath,perform_shuffle=False,repeat_count=1,batch_size=1):
    def parse_function(serialized):
        features = \
        {
            'image': tf.FixedLenFeature([],tf.string),'label': tf.FixedLenFeature([],tf.int64)
        }
        # Parse the serialized data so we get a dict with our data.
        parsed_example = tf.parse_single_example(serialized,features)
        Image_ypix=720
        Image_xpix=480
        Input_name="kakoii"
        # Get the image as raw bytes.
        image_shape = tf.stack([Image_ypix,Image_xpix,3])
        image_raw = parsed_example['image']
        label = tf.cast(parsed_example['label'],tf.float32)
        # Decode the raw bytes so it becomes a tensor with type.
        image = tf.decode_raw(image_raw,tf.uint8)
        image = tf.cast(image,tf.float32)
        image = tf.reshape(image,image_shape)
        #image = tf.subtract(image,pixel_val?) # Zero-center by mean pixel,too complex 
        image = tf.reverse(image,axis=[2]) # 'RGB'->'BGR'
        tensor = dict(zip([input_name],[image])),[label]
        return tensor
    tfRecordspath=input("TFRecords's path:")
    dataset = tf.data.TFRecordDataset(tfRecordspath)
    # Parse the serialized data in the TFRecords files.
    # This returns TensorFlow tensors for the image and labels.
    dataset = dataset.map(parse_function)
    if perform_shuffle:
        # Randomizes input using a window of 256 elements (read into memory)
        dataset = dataset.shuffle(buffer_size=256)
    dataset = dataset.repeat(repeat_count)  # Repeats dataset this # times
    dataset = dataset.batch(batch_size)  # Batch size to use
    iterator = dataset.make_one_shot_iterator()
    batch_features,batch_labels = iterator.get_next()
    return batch_features,batch_labels

def oldTrainorEval():
    train_spec = tf.estimator.TrainSpec(input_fn=lambda: imgs_input_fn(path_tfrecords_train,perform_shuffle=True,repeat_count=5,batch_size=20),max_steps=500)
    eval_spec = tf.estimator.EvalSpec(input_fn=lambda: imgs_input_fn(path_tfrecords_test,batch_size=1))
    tf.estimator.train_and_evaluate(est_catvsdog,train_spec,eval_spec)

def NNTrainEvalBuild():

    model=tf.keras.Sequential([
    tf.keras.layers.flatten(input_shape=(720,480)),#tf.keras.layers.flatten(10,inputshape=(image_ypixel,image_xpixel)),tf.keras.layers.Dense(1024,activation=tf.nn.relu),tf.keras.layers.Dense(32,tf.keras.layers.Dense(8,activation=tf.nn.softmax)
    ])          
    #tf.keras.layer.dense(unit=4,),concept4 unit,out8,using upper as trial