tensorflowxun训练自己的数据集之从tfrecords读取数据

　　当训练数据量较小时，采用直接读取文件的方式，当训练数据量非常大时，直接读取文件的方式太耗内存，这时应采用高效的读取方法，读取tfrecords文件，这其实是一种二进制文件。tensorflow为其内置了各种存储和读取的函数，方便调用。

　　不知道为啥，从tfrecords中读取数据用于训练时，收敛得更快，更平稳。上面两个图是使用tfrecords的准确率和loss值变化，下面是直接读取文件的准确率和loss值变化。

1 生成记录样本的记录文件

 root_dir = os.getcwd()

 def getTrianList():
     with open("train.txt","w") as f:
         for file in os.listdir(root_dir+'\\dataSet'):
             for picFile in os.listdir(root_dir+"\\dataSet\\"+file):
                 f.write("dataSet/"+file+"/"+picFile+" "+file+"\n")
                 print(picFile)
 if __name__=="__main__":
     getTrianList()

　　将样本文件路径和标签统一记录到一个txt中，后面生成tfrecords文件就是通过读取这些信息。

　　

　　注意文件路径和标签之间采用空格，不要使用制表符。

2 读取txt存于数组中

 def load_file(example_list_file):
     lines = np.genfromtxt(example_list_file,delimiter=" ",dtype=[('col1', 'S120'), ('col2', 'i8')])
     examples = []
     labels = []
     for example,label in lines:
         examples.append(example)
         labels.append(label)
     #convert to numpy array
     return np.asarray(examples),np.asarray(labels),len(lines)

　　这段代码主要用来读取第1步生成的txt，将文件路径和标签存于数组中

3 读取图片

 def extract_image(filename,height,width):
     print(filename)
     image = cv2.imread(filename)
     image = cv2.resize(image,(height,width))
     b,g,r = cv2.split(image)
     rgb_image = cv2.merge([r,g,b])
     return rgb_image

　　使用cv2读取图片文件

4 转化为tfrecords文件

 def trans2tfRecord(trainFile,name,output_dir,height,width):
     if not os.path.exists(output_dir) or os.path.isfile(output_dir):
         os.makedirs(output_dir)
     _examples,_labels,examples_num = load_file(train_file)
     filename = name + '.tfrecords'
     writer = tf.python_io.TFRecordWriter(filename)
     for i,[example,label] in enumerate(zip(_examples,_labels)):
         print("NO{}".format(i))
         #need to convert the example(bytes) to utf-8
         example = example.decode("UTF-8")
         image = extract_image(example,height,width)
         image_raw = image.tostring()
         example = tf.train.Example(features=tf.train.Features(feature={
                 'image_raw':_bytes_feature(image_raw),
                 'height':_int64_feature(image.shape[0]),
                  'width': _int64_feature(32),
                 'depth': _int64_feature(32),
                  'label': _int64_feature(label)
                 }))
         writer.write(example.SerializeToString())
     writer.close()

 def _int64_feature(value):
     return tf.train.Feature(int64_list=tf.train.Int64List(value=[value]))  

 def _bytes_feature(value):
     return tf.train.Feature(bytes_list=tf.train.BytesList(value=[value]))  

5 从tfrecords中读取训练数据

 def read_tfRecord(file_tfRecord):
     queue = tf.train.string_input_producer([file_tfRecord])
     reader = tf.TFRecordReader()
     _,serialized_example = reader.read(queue)
     features = tf.parse_single_example(
             serialized_example,
             features={
           'image_raw': tf.FixedLenFeature([], tf.string),
           'height': tf.FixedLenFeature([], tf.int64),
           'width':tf.FixedLenFeature([], tf.int64),
           'depth': tf.FixedLenFeature([], tf.int64),
           'label': tf.FixedLenFeature([], tf.int64)
                     }
             )
     image = tf.decode_raw(features['image_raw'],tf.uint8)
     #height = tf.cast(features['height'], tf.int64)
     #width = tf.cast(features['width'], tf.int64)
     image = tf.reshape(image,[32,32,3])
     image = tf.cast(image, tf.float32)
     image = tf.image.per_image_standardization(image)
     label = tf.cast(features['label'], tf.int64)
     print(image,label)
     return image,label

　　从tfrecords文件中读取image和label，训练的时候，直接使用tf.train.batch函数生成用于训练的batch即可。

 image_batches,label_batches = tf.train.batch([image, label], batch_size=16, capacity=20)

　　其余的部分跟之前的训练步骤一样。