Tensorflow学习教程------tfrecords数据格式生成与读取

首先是生成tfrecords格式的数据，具体代码如下：

#coding:utf-8

import os
import tensorflow as tf
from PIL import Image

cwd = os.getcwd() 

'''
此处我加载的数据目录如下：
bt -- 14018.jpg
      14019.jpg
      14020.jpg

nbt -- 1_ddd.jpg
       1_dsdfs.jpg
       1_dfd.jpg

这里的bt nbt 就是类别，也就是代码中的classes
'''

writer = tf.python_io.TFRecordWriter("train.tfrecords")
classes = ['bt','nbt']
for index, name in enumerate(classes):
    class_path = cwd + '/'+ name +'/' #每一类图片的目录地址
    for img_name in os.listdir(class_path):
        img_path = class_path + img_name #每一张图片的路径
        img = Image.open(img_path)
        img = img.resize((224,224))
        img_raw = img.tobytes()   #将图片转化为原生bytes
        example = tf.train.Example(features = tf.train.Features(feature={
            'label':tf.train.Feature(int64_list = tf.train.Int64List(value=[index])),
            'img_raw':tf.train.Feature(bytes_list = tf.train.BytesList(value=[img_raw]))
     }))
        print "write" + ' ' + str(img_path) + "to train.tfrecords."
        writer.write(example.SerializeToString()) #序列化为字符串
writer.close()

然后读取生成的tfrecords数据，并且将tfrecords里面的数据保存成jpg格式的图片。具体代码如下：

#coding:utf-8
import os
import tensorflow as tf
from PIL import Image
cwd = '/media/project/tfLearnning/dataread/pic/'
def read_and_decode(filename):
    #根据文件名生成一个队列
    filename_queue = tf.train.string_input_producer([filename])

    reader = tf.TFRecordReader()
    _, serialized_example = reader.read(filename_queue) #返回文件名和文件

    features = tf.parse_single_example(serialized_example,
                                       features={
                                       'label':tf.FixedLenFeature([],tf.int64),
                                       'img_raw':tf.FixedLenFeature([],tf.string),
                                       })
    img = tf.decode_raw(features['img_raw'],tf.uint8)
    img = tf.reshape(img,[224,224,3])
    #img = tf.cast(img,tf.float32) * (1./255) - 0.5 # 将图片变成tensor
                                                   #对图片进行归一化操作将【0，255】之间的像素归一化到【-0.5，0.5】，标准化处理可以使得不同的特征具有相同的尺度（Scale）。
                                                   #这样，在使用梯度下降法学习参数的时候，不同特征对参数的影响程度就一样了
    label = tf.cast(features['label'], tf.int32) #将标签转化tensor
    print img
    print label
    return img, label

#read_and_decode('train.tfrecords')
img, label = read_and_decode('train.tfrecords')
#print img.shape, label
img_batch, label_batch = tf.train.shuffle_batch([img,label],batch_size=10,capacity=2000,min_after_dequeue=1000) #形成一个batch的数据，由于使用shuffle，因此每次取batch的时候
                                                                                                                #都是随机取的，可以使样本尽可能被充分地训练，保证min_after值小于capacit值

init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    # 创建一个协调器，管理线程
    coord = tf.train.Coordinator()
    # 启动QueueRunner, 此时文件名队列已经进队
    threads = tf.train.start_queue_runners(sess=sess, coord=coord)
    for i in range(10):
        example, l = sess.run([img, label]) #从对列中一张一张读取图片和标签
        #example, l = sess.run([img_batch,label_batch])
        print(example.shape,l)

        img1=Image.fromarray(example, 'RGB') #将tensor转化成图片格式
        img1.save(cwd+str(i)+'_'+'Label_'+str(l)+'.jpg')#save image
    # 通知其他线程关闭
    coord.request_stop()
    # 其他所有线程关闭之后，这一函数才能返回
    coord.join(threads)