tensorflow TFRecords文件的生成和读取的方法
TensorFlow提供了TFRecords的格式来统一存储数据，理论上，TFRecords可以存储任何形式的数据。
TFRecords文件中的数据都是通过tf.train.ExampleProtocolBuffer的格式存储的。以下的代码给出了tf.train.Example的定义。
messageExample{
Featuresfeatures=1;
};
messageFeatures{
mapfeature=1;
};
messageFeature{
oneofkind{
BytesListbytes_list=1;
FloatListfloat_list=2;
Int64Listint64_list=3;
}
};
下面将介绍如何生成和读取tfrecords文件：
首先介绍tfrecords文件的生成，直接上代码：
fromrandomimportshuffle
importnumpyasnp
importglob
importtensorflowastf
importcv2
importsys
importos
#因为我装的是CPU版本的，运行起来会有'warning'，解决方法入下，眼不见为净~
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
shuffle_data=True
image_path='/path/to/image/*.jpg'
#取得该路径下所有图片的路径，type（addrs）=list
addrs=glob.glob(image_path)
#标签数据的获得具体情况具体分析，type（labels）=list
labels=...
#这里是打乱数据的顺序
ifshuffle_data:
c=list(zip(addrs,labels))
shuffle(c)
addrs,labels=zip(*c)
#按需分割数据集
train_addrs=addrs[0:int(0.7*len(addrs))]
train_labels=labels[0:int(0.7*len(labels))]
val_addrs=addrs[int(0.7*len(addrs)):int(0.9*len(addrs))]
val_labels=labels[int(0.7*len(labels)):int(0.9*len(labels))]
test_addrs=addrs[int(0.9*len(addrs)):]
test_labels=labels[int(0.9*len(labels)):]
#上面不是获得了image的地址么，下面这个函数就是根据地址获取图片
defload_image(addr):#AfunctiontoLoadimage
img=cv2.imread(addr)
img=cv2.resize(img,(224,224),interpolation=cv2.INTER_CUBIC)
img=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
#这里/255是为了将像素值归一化到[0，1]
img=img/255.
img=img.astype(np.float32)
returnimg
#将数据转化成对应的属性
def_int64_feature(value):
returntf.train.Feature(int64_list=tf.train.Int64List(value=[value]))
def_bytes_feature(value):
returntf.train.Feature(bytes_list=tf.train.BytesList(value=[value]))
def_float_feature(value):
returntf.train.Feature(float_list=tf.train.FloatList(value=[value]))
#下面这段就开始把数据写入TFRecods文件
train_filename='/path/to/train.tfrecords'#输出文件地址
#创建一个writer来写TFRecords文件
writer=tf.python_io.TFRecordWriter(train_filename)
foriinrange(len(train_addrs)):
#这是写入操作可视化处理
ifnoti%1000:
print('Traindata:{}/{}'.format(i,len(train_addrs)))
sys.stdout.flush()
#加载图片
img=load_image(train_addrs[i])
label=train_labels[i]
#创建一个属性（feature）
feature={'train/label':_int64_feature(label),
'train/image':_bytes_feature(tf.compat.as_bytes(img.tostring()))}
#创建一个exampleprotocolbuffer
example=tf.train.Example(features=tf.train.Features(feature=feature))
#将上面的exampleprotocolbuffer写入文件
writer.write(example.SerializeToString())
writer.close()
sys.stdout.flush()
上面只介绍了train.tfrecords文件的生成，其余的validation,test举一反三吧。。
接下来介绍tfrecords文件的读取：
importtensorflowastf
importnumpyasnp
importmatplotlib.pyplotasplt
importos
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
data_path='train.tfrecords'#tfrecords文件的地址
withtf.Session()assess:
#先定义feature，这里要和之前创建的时候保持一致
feature={
'train/image':tf.FixedLenFeature([],tf.string),
'train/label':tf.FixedLenFeature([],tf.int64)
}
#创建一个队列来维护输入文件列表
filename_queue=tf.train.string_input_producer([data_path],num_epochs=1)
#定义一个reader，读取下一个record
reader=tf.TFRecordReader()
_,serialized_example=reader.read(filename_queue)
#解析读入的一个record
features=tf.parse_single_example(serialized_example,features=feature)
#将字符串解析成图像对应的像素组
image=tf.decode_raw(features['train/image'],tf.float32)
#将标签转化成int32
label=tf.cast(features['train/label'],tf.int32)
#这里将图片还原成原来的维度
image=tf.reshape(image,[224,224,3])
#你还可以进行其他一些预处理....
#这里是创建顺序随机batches(函数不懂的自行百度)
images,labels=tf.train.shuffle_batch([image,label],batch_size=10,capacity=30,min_after_dequeue=10)
#初始化
init_op=tf.group(tf.global_variables_initializer(),tf.local_variables_initializer())
sess.run(init_op)
#启动多线程处理输入数据
coord=tf.train.Coordinator()
threads=tf.train.start_queue_runners(coord=coord)
....
#关闭线程
coord.request_stop()
coord.join(threads)
sess.close()
好了，就介绍到这里。。，有什么问题可以留言。。大家一起学习。。希望对大家的学习有所帮助，也希望大家多多支持毛票票。
声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：czq8825#qq.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。