根本原因是写入与解析的feature结构不匹配，包括类型、长度、解码顺序等；正确做法是确保bytes_list配decode_raw、float_list配指定长度的FixedLenFeature，并严格对齐dtype与shape。
根本原因不是文件损坏或TensorFlow缺陷，而是 parse_single_example 中的 feature 描述与写入时的 tf.train.Example 结构不匹配——类型、长度、甚至解码顺序，差一点就报 InvalidArgumentError 或静默返回空张量。
写入用 float_list，读取却用 FixedLenFeature([], tf.float32)
这是最典型的形状错配。比如你把 shape 为 [150, 150, 3] 的图像展平后存成 tf.train.FloatList，那它实际是 67500 个 float32 元素；但如果你解析时写 tf.io.FixedLenFeature([], tf.float32)，TensorFlow 就只取第一个值，后续 tf.reshape(..., [150, 150, 3]) 就会崩：输入只有 1 个元素，却要 reshape 成 67500 个。
- 正确做法：写入是
float_list→ 解析必须声明长度，如tf.io.FixedLenFeature([150*150*3], tf.float32) - 更稳妥的做法：写入用
bytes_list（即原始image.tobytes()），读取时先tf.io.decode_raw(..., tf.float32)再 reshape - 绝对别混用：写入
uint8字节却用tf.float32解码，会触发OutOfRangeError或数值截断
bytes_list 没调 decode_raw 就直接 reshape
很多教程把 tf.io.decode_jpeg 当成“万能解图函数”，但它只认 JPEG/PNG header；如果你写入的是 raw bytes（比如 cv2.imencode('.jpg', img)[1].tobytes() 或直接 img.tobytes()），就必须用 tf.io.decode_raw，否则 tf.reshape 会拿一串字节当 float32 解释，结果全是 NaN 或极小值。
- 确认写入方式：如果是
tf.train.Feature(bytes_list=tf.train.BytesList(value=[img.tobytes()]))，读取时必须tf.io.decode_raw(features['image'], tf.uint8) - 注意 dtype 对齐：
decode_raw(..., tf.uint8)后再tf.cast(..., tf.float32) / 255.0，别跳步 - shape 要手动指定：
decode_raw返回一维张量，必须显式tf.reshape(..., [h, w, c])
Windows 下 TFRecord 读取卡死或返回 size=1
这不是你代码的问题，是平台层兼容性缺陷。MindSpore 在 Windows 上的 TFRecordDataset 未实现底层读取逻辑（Gitee issue I4EAQB 已确认）；旧版 TensorFlow（如 1.12）在 Windows 上对 ZLIB 压缩支持也不全，会静默失败。
立即学习“Python免费学习笔记（深入）”；
- 验证手段：把同一份
training.tfrecord拷到 Linux/macOS，运行list(tf.data.TFRecordDataset("training.tfrecord").take(1))看是否真有数据 - 生成时规避：写入阶段显式设
compression_type=None，避免用"ZLIB"或"GZIP" - 检查 magic bytes：用
xxd -l 64 training.tfrecord看开头是否为00 00 00 00 00（TFRecord 标准 header）
dataset.repeat() 漏掉或 start_queue_runners() 没调
TF 1.x 的 tf.data 管道默认不自动拉起线程；TF 2.x 虽默认 eager，但如果你混用旧 API（比如 sess.run(get_next)），没调 tf.train.start_queue_runners() 就会卡住——既不报错也不出数据，像死锁。
- TF 1.x 场景：必须配对使用
coord = tf.train.Coordinator()和tf.train.start_queue_runners(sess=sess, coord=coord) - TF 2.x 场景：优先用
for x in dataset.take(1): print(x)快速验证，避免陷入旧式 session 流程 - repeat 是刚需：训练循环中若 dataset 不
repeat()，跑完一遍就抛OutOfRangeError，而某些封装会静默吞掉这个异常
真正麻烦的不是语法，而是写入和解析两端的“契约”必须逐字对齐：哪个字段用什么 list、长度多少、dtype 是 uint8 还是 float32、要不要 decode_raw、reshape 前有没有 cast——漏掉任意一环，错误就藏在运行时，而不是编译期。
