您可以加载图像，可能是因为您使用特征类型tf.train.BytesList()保存了图像，并且整个图像数据是列表中的一个大字节值。
如果我是对的，您将使用tf.decode_raw从TFRecord加载的图像中获取数据。
关于示例用例：我使用VarLenFeature保存对象检测任务的数据集：每个图像的边界框数量可变（等于图像中的对象），因此我需要另一个功能objects_number来跟踪对象数量（和边界框）。每个边界框本身是一个4浮动坐标列表
我使用下面的代码来加载它：

features = tf.parse_single_example(
    serialized_example,
    features={
        # We know the length of both fields. If not the
        # tf.VarLenFeature could be used
        'height': tf.FixedLenFeature([], tf.int64),
        'width': tf.FixedLenFeature([], tf.int64),
        'depth': tf.FixedLenFeature([], tf.int64),
        # Label part
        'objects_number': tf.FixedLenFeature([], tf.int64),
        'bboxes': tf.VarLenFeature(tf.float32),
        'labels': tf.VarLenFeature(tf.int64),
        # Dense data
        'image_raw': tf.FixedLenFeature([],tf.string)

    })

# Get metadata
objects_number = tf.cast(features['objects_number'], tf.int32)
height = tf.cast(features['height'], tf.int32)
width = tf.cast(features['width'], tf.int32)
depth = tf.cast(features['depth'], tf.int32)

# Actual data
image_shape = tf.parallel_stack([height, width, depth])
bboxes_shape = tf.parallel_stack([objects_number, 4])

# BBOX data is actually dense convert it to dense tensor
bboxes = tf.sparse_tensor_to_dense(features['bboxes'], default_value=0)

# Since information about shape is lost reshape it
bboxes = tf.reshape(bboxes, bboxes_shape)
image = tf.decode_raw(features['image_raw'], tf.uint8)
image = tf.reshape(image, image_shape)

注意，“image_raw”是一个固定长度的特征（只有一个元素），并且保存“bytes”类型的值，但是“bytes”类型的值本身可以有可变的大小（它是一个字节字符串，并且可以有很多符号），所以“image_raw”是一个列表，有一个“bytes”类型的元素，它可以非常大。

进一步详细说明它的工作原理：****特性是值列表，这些值具有特定的“类型”。
要素的数据类型是Tensor数据类型的子集，您有：

• int 64（内存中的64位空间）
• 字节（占用内存中任意多的字节）
• 浮点数（在内存中占用32-64位idk多少）

可以检查hereTensor数据类型。
所以你可以不用VarLenFeatures来存储可变长度的数据（实际上你做得很好），但是首先你需要把它转换成字节/字符串特征，然后解码它，这是最常用的方法。

@Xyz已经对此有所阐述，另外，parse_example_v2的文档字符串也很有帮助（见下面的摘录）：
附言：考虑到我们可以很容易地将数组转换为字节（numpy.ndarray.tobytes或tf.io.serialize_tensor），我想知道在哪些情况下VarLenFeature确实是首选。
例如，如果期望tf.float32VarLenFeatureft，则提供三个串行化的Example：

serialized = [
  features
    { feature { key: "ft" value { float_list { value: [1.0, 2.0] } } } },
  features
    { feature []},
  features
    { feature { key: "ft" value { float_list { value: [3.0] } } }
]

则输出将如下所示：

{"ft": SparseTensor(indices=[[0, 0], [0, 1], [2, 0]],
                    values=[1.0, 2.0, 3.0],
                    dense_shape=(3, 2)) }

如果改为使用FixedLenSequenceFeature以及default_value = -1.0和shape=[]，则输出将如下所示：

{"ft": [[1.0, 2.0], [3.0, -1.0]]}