TFRecord读取失败主因是解析逻辑与写入类型/形状不匹配：如写入float_list却用FixedLenFeature([])导致reshape失败，或bytes_list未decode_raw就直接reshape；还需检查线程启动、repeat设置及平台兼容性。
不是TensorFlow读不了TFRecord，而是你写的 parse_single_example 解析逻辑和写入时的类型/形状不匹配——这是90%以上“读不出”的根本原因。
写入时用了 float_list，但解析时没解码原始字节
你用 cv2.imread 读图后除以255.0转成 float32，再用 image.ravel() 塞进 tf.train.FloatList，这本身没问题。但读取时如果直接用 tf.FixedLenFeature((), tf.float32)，TensorFlow会把整个一维 float 数组当做一个标量（shape=()）返回，导致后续 tf.reshape(..., [150,150,3]) 失败——因为输入张量只有1个元素，而你要reshape成67500个。
- 正确做法：写入时保持原始字节（
bytes_list），读取时用tf.io.decode_raw解码 - 或写入时用
float_list，读取时必须声明长度，例如tf.FixedLenFeature([150*150*3], tf.float32)，再 reshape - 千万别混用：比如写入
uint8字节却用tf.float32解码，会触发OutOfRangeError或静默截断
tf.data.TFRecordDataset 返回空或卡死，大概率是线程没启动或数据耗尽
在 TensorFlow 1.x 中，tf.data 管道默认不自动启动后台线程；如果你用的是旧式 sess.run() + get_next() 模式，没调 tf.train.start_queue_runners()，程序就会挂起，既不报错也不出数据。
- 检查是否漏掉
coord = tf.train.Coordinator()和tf.train.start_queue_runners(sess=sess, coord=coord) - 确认
dataset.repeat()是否调用——不 repeat 的 dataset 跑完一遍就抛OutOfRangeError，而旧API里这个错误常被静默吞掉 - 用
tf.data.experimental.cardinality(dataset).numpy()（TF 2.x）或简单遍历for x in dataset.take(1): print(x)快速验证数据是否真能取出
Windows 下 MindSpore 或旧版 TF 报 “无法解析 TFRecord” 不是文件损坏，而是平台兼容性问题
MindSpore 的 TFRecordDataset 在 Windows 上确实存在未实现的底层读取逻辑（Gitee issue I4EAQB 已确认），返回 size=1 是假值；同样，TF 1.12 在 Windows 上某些压缩类型（如 ZLIB）支持不全，也会静默失败。
立即学习“Python免费学习笔记（深入）”；
- 优先在 Linux/macOS 验证 TFRecord 文件是否正常（用
tf.data.TFRecordDataset+take(1)） - 生成时避免使用
compression_type，或显式设为None - 用
xxd -l 64 training.tfrecord查看文件开头是否为 valid TFRecord magic bytes（0x0000000000000000+ length + CRC）——不是说明根本没写成功
最易被忽略的一点：TFRecord 不支持随机访问，也没内置校验机制。一个字节写错、长度字段算偏、CRC 校验失败，都会让整条 record 被跳过——而你可能根本收不到任何提示，只看到数据变少或卡住。务必用小样本（1–2 条）先端到端跑通写→读→reshape→显示全流程，再扩量。
