深度学习tensorflow实战笔记（2）图像转换成tfrecords和读取

1、准备数据

首选将自己的图像数据分类分别放在不同的文件夹下，比如新建data文件夹，data文件夹下分别存放up和low文件夹，up和low文件夹下存放对应的图像数据。也可以把up和low文件夹换成0和1。根据自己数据类别，自己设定。如图所示

以上三张图片注意看目录。这样数据就准备好了。

2、将图像数据转换成tfrecords

      直接上代码，代码中比较重要的部分我都做了注释。

 import os
 import tensorflow as tf
 from PIL import Image
 import matplotlib.pyplot as plt
 import numpy as np

 sess=tf.InteractiveSession()
 cwd = "D://software//tensorflow//data//"  #数据所在目录位置
 classes = {'up', 'low'} #预先自己定义的类别，根据自己的需要修改
 writer = tf.python_io.TFRecordWriter("train.tfrecords")  #train表示转成的tfrecords数据格式的名字

 for index, name in enumerate(classes):
     class_path = cwd + name + "/"
     for img_name in os.listdir(class_path):
         img_path = class_path + img_name
         img = Image.open(img_path)
         img = img.resize((300, 300))  #图像reshape大小设置，根据自己的需要修改
         img_raw = img.tobytes()
         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]))
         }))
         writer.write(example.SerializeToString())
 writer.close()

3、从tfrecords中读取数据

直接上代码：

 #读取文件
 def read_and_decode(filename,batch_size):
     #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, [300, 300, 3])                #图像归一化大小
    # img = tf.cast(img, tf.float32) * (1. / 255) - 0.5   #图像减去均值处理，根据自己的需要决定要不要加上
     label = tf.cast(features['label'], tf.int32)        

     #特殊处理，去数据的batch，如果不要对数据做batch处理，也可以把下面这部分不放在函数里

     img_batch, label_batch = tf.train.shuffle_batch([img, label],
                                                     batch_size= batch_size,
                                                     num_threads=64,
                                                     capacity=200,
                                                     min_after_dequeue=150)
     return img_batch, tf.reshape(label_batch,[batch_size])

需要注意的地方：

img = tf.cast(img, tf.float32) * (1. / 255) - 0.5   #图像减去均值处理，根据自己的需要决定要不要加上

 #特殊处理，去数据的batch，如果不要对数据做batch处理，也可以把下面这部分不放在函数里
     img_batch, label_batch = tf.train.shuffle_batch([img, label],
                                                     batch_size= batch_size,
                                                     num_threads=64,
                                                     capacity=200,
                                                     min_after_dequeue=150)

如果不需要把数据做batch处理，则函数的第二个形参batch_size就去掉，函数直接返回img和label。也可以把batch处理部分放在函数外面，根据自己的需要自己修改一下。

4、转换和读取函数的调用

 tfrecords_file = 'train.tfrecords'   #要读取的tfrecords文件
 BATCH_SIZE = 4      #batch_size的大小
 image_batch, label_batch = read_and_decode(tfrecords_file,BATCH_SIZE)
 print(image_batch,label_batch)    #注意，这里不是tensor，tensor需要做see.run()处理   

下面就定义session，执行即可，有一个地方需要注意，

image_batch, label_batch = read_and_decode(tfrecords_file,BATCH_SIZE)   #需要注意

虽然能够把数据读取出来，但是不是tensor，在训练的时候需要image,label=sess.run([image_batch,label_batch])处理后，才能投入训练。具体细节下一篇博客再做详细介绍。

 如果还有问题未能得到解决，搜索887934385交流群，进入后下载资料工具安装包等。最后，感谢观看！