越来越清晰的TFRecord处理图片的步骤

# 首先是模块的导入
"""
os模块是处理文件夹用的
PIL模块是用来处理图片的
"""
import tensorflow as tf
import os
from PIL import Image

path = "tensorflow_application/jpg"  # 这是上述文件结构的主文件夹路径
filename = os.listdir(path)  # 作用是遍历path文件夹下的文件，返回的是001和002文件夹构成的一个列表
writer = tf.python_io.TFRecordWriter("tensorflow_application/train.tfrecords")  # 将TFRecordWriter实例化，用于文件的写操作。其中的路径是tfrecords文件的存放路径，这个路径并不需要实现建立，代码会自动生成

for name in filename:
    class_path = path + os.sep + name  # 得到每一类的路径，即001文件夹和002文件夹的路径，其中的os.sep返回的是一个符号，即'//'，这是路径中的一个符号而已，起到连接作用，构成此文件夹的完整路径
    for img_name in os.listdir(class_path):
        img_path = class_path + os.sep + img_name  # 同上，得到此文件夹下的每一张图片的完整路径，用于后续的图片提取并处理
        img = Image.open(img_path)  # 取出图片
        img = img.resize((500, 500))  # 改变图片大小，大小视具体的网络要求而定，不同的网络对输入图片的大小并不完全相同。这里我暂且将图片变为500*500的大小
        img_raw = img.tobytes()  # 这里将图片矩阵变为字符串形式进行存储，因为TFRecords能够保存的只能是二进制数据，因此需要将数组转换为二进制形式
        # 下面是关键的步骤，将数据填入到Example协议内存块中，最终生成TFRecords文件。TFRecords文件就是通过一个包含着二进制文件的数据文件，将特征和标签进行保存便于TensorFlow读取
        """
        一个tf.train.Example，即Example协议内存块，包含着若干数据特征(Features)，而Features
        中又包含着Feature字典。任何一个Feature中又包含着FloatList, Int64List或BytesList，本例
        中使用到了其中两种数据格式，即Int64List和BytesList，需要注意的是value后跟的值需要为
        列表形式，所以加上了方括号
        """
        example = tf.train.Example(
            features = tf.train.Features(
                feature={
                    "label": tf.train.Feature(int64_list=tf.train.Int64List(value=[name])),
                    "image": tf.train.Feature(bytes_list=tf.train.BytesList(value=[img_raw]))))
                    }
        serialized = example.SerializeToString()  # 先将样本进行序列化操作
        writer.write(serialized)  # 对序列化操作后的变量进行写操作，即生成最终的tfrecords文件

　　接下来需要做的便是读取生成的tfrecords文件，在神经网络中，需要将tfrecords文件中的image和label读取出来，然后将其传递给图。

# 使用的模块还是tensorflow
import tensorflow as tf

filename = "tensorflow_application/train.tfrecords"  # 这是上面生成的tfrecords文件
filename_queue = tf.train.string_input_producer([filenname])  # 建立一个队列，其中的参数为tfrecords文件的路径

reader = tf.TFRecordReader()  # 实例化读操作，建立读取器
_, serialized_example = reader.read(filename_queue)  #　返回文件名和文件
"""
通过parse_single_example解析器解析，将Example协议内存块解析为张量(Tensor)，然后使用
解码器tf.decode_raw解码
"""
features = tf.parse_single_example(serialized_example,
    features={
        "label": tf.FixedLenFeature([], tf.int64),
        "image": tf.FixedLenFeature([], tf.string)
        })
img = tf.decode_raw(features["image"], tf.uint8)  # 使用tf.decode_raw解码
img = tf.reshape(img, [500, 500, 3])  #　重构图片的大小为500*500*3

img = tf.cast(img, tf.float32) * (1. / 128) - 0.5
label = tf.cast(features["label"], tf.int32)

"""
上面将img和label从tfrecords文件中读取了出来，但是如果需要将数据取出供
图使用，还需要使用tf.train.shuffle_batch
shuffle_batch的主要参数为：
1. tensor: 入队队列，即上面得到的img和label，[img, label]
2. batch_size: batch的大小
3. capacity: 队列的最大容量
4. num_threads: 线程数
5. min_after_dequeue: 限制出队时队列中元素的最小个数
"""
img_batch, label_batch = tf.train.shuffle_batch([img, label], batch_size=1,
                                                capacity=24, min_after_dequeue=1)  # 将得到的img_batch, label_batch传递给需要进行递归的数据即可

　　原文链接：https://blog.csdn.net/cl2227619761/article/details/80107208