TensorFlow读取数据
最近看到一个巨牛的人工智能教程，分享一下给大家。教程不仅是零基础，通俗易懂，而且非常风趣幽默，像看小说一样！觉得太牛了，所以分享给大家。平时碎片时间可以当小说看，【点这里可以去膜拜一下大神的“小说”】。
本文介绍如何使用TensorFlow来读取图片数据，主要介绍写入TFRecord文件再读取和直接使用队列来读取两种方式。假设我们图片目录结构如下：
|---a | |---1.jpg | |---2.jpg | |---3.jpg | |---b | |---1.jpg | |---2.jpg | |---3.jpg | |---c | |---1.jpg | |---2.jpg | |---3.jpg
1 使用TFRecoder
思路：思路：使用TFRecod主要是把每张图片及其对应的label写入到一个tfrecode文件中。tfrecode以二进制形式保存，其中内部使用了protobuf定义协议，即定义格式序列化为二进制。我们可以使用tf提供的tf.train.Example来指定序列化格式。将a目录中所有的文件的label指定为a，另外两个目录b、c同理。
代码如下：
def build_data(dir,file_str,map_str): ''' :param dir: 根目录，dir下所有子目录名称为label :param file_str: 导出的tfrecorde文件 :param map_str: 数字序号0~n与label映射关系保存路径 :return: ''' files=os.listdir(dir); writer = tf.python_io.TFRecordWriter(file_str) # 要生成的文件 # 由于tf.train.Feature只能取float、int和bytes，因此需要将label映射到int，保存到文件 map_file = open(map_str,'w') for index,label in enumerate(files): #遍历文件夹 data_dir = os.path.join(dir,label) map_file.write(str(index) + ":" + label + "\n") for img_name in os.listdir(data_dir): #遍历图片 img_path=os.path.join(data_dir,img_name) img = Image.open(img_path) #读取图片 img = img.resize((256, 256)) #将图片宽高转为256*256 img_raw=img.tobytes() #图片转为字节 example=tf.train.Example(features=tf.train.Features(feature={ 'label': tf.train.Feature(int64_list=tf.train.Int64List(value=[index])), 'img': tf.train.Feature(bytes_list=tf.train.BytesList(value=[img_raw])) })) writer.write(example.SerializeToString()) # 序列化为字符串并写入文件 writer.close() map_file.close();
接下来是读取tfrecord文件。注意读取时label、img名称及类型要一致：
def read_data(file_str): # 根据文件名生成一个队列 file_path_queue = tf.train.string_input_producer([file_str]) reader = tf.TFRecordReader() _, serialized_example = reader.read(file_path_queue) # 返回文件名和文件 features = tf.parse_single_example(serialized_example, features={ 'label': tf.FixedLenFeature([], tf.int64), 'img': tf.FixedLenFeature([], tf.string), }) label = tf.cast(features['label'], tf.int64) # 读取label img = tf.decode_raw(features['img'], tf.uint8) img = tf.reshape(img, [256, 256, 3]) #将维度转为256*256的3通道 img = tf.cast(img, tf.float32) * (1. / 255) - 0.5 #将图片中的数据转为[-0.5,0.5] return img, label
接下来看看如何使用：
build_data("D:/test","D:/data/tf.tfrecorde","D:/data/map.txt") img, label =read_data("D:/data/tf.tfrecorde") #使用shuffle_batch可以随机打乱输入 img_batch, label_batch = tf.train.shuffle_batch([img, label], batch_size=30, capacity=2000, min_after_dequeue=1000) init = tf.initialize_all_variables() with tf.Session() as sess: sess.run(init) threads = tf.train.start_queue_runners(sess=sess) for i in range(3): imgs, labels= sess.run([img_batch, label_batch]) #我们也可以根据需要对val， l进行处理 print(imgs.shape, labels)
运行结果如下：
(30, 256, 256, 3) [1 2 2 1 1 2 2 1 0 1 0 1 0 0 2 0 0 0 2 1 1 1 1 0 0 1 2 1 2 0] (30, 256, 256, 3) [2 1 1 0 0 1 1 0 2 2 2 0 0 0 0 2 1 0 0 2 0 0 2 2 2 1 0 1 0 2] (30, 256, 256, 3) [2 0 2 0 1 2 1 2 2 1 0 2 0 0 2 2 2 1 1 1 1 1 0 0 2 0 2 2 0 0]
从结果可以看出，虽然我们提供的图片只有9张。每一类各3张，但是能读取303030张出来，这主要是通过循环读取得到的。也就是说数量上虽然增加了，但实际上也就是那9张图片。
2 不使用TFRecord
TFRecord适合将标签、图片数据等其他相关的数据一起封装到一个对象，然后逐个读取。有时候，我们并不需要标签，只需要对图片读取。那么可以考虑之间从路径队列中读取，而不需要转到TFRecord文件。
直接上代码：
def read_data(dir ): ''' :param dir: 图片根目录 ''' input_paths = glob.glob(os.path.join(dir, "*.jpg")) decode = tf.image.decode_jpeg if len(input_paths) == 0: #如果不存在jpg图片，则遍历png图片 input_paths = glob.glob(os.path.join(dir, "*.png")) decode = tf.image.decode_png if len(input_paths) == 0: #如果png图片不存在，抛出异常 raise Exception("input_dir contains no image files") #产生文件路径队列，并且打乱顺序 path_queue = tf.train.string_input_producer(input_paths, shuffle=True) reader = tf.WholeFileReader() #创建读取文件对象 paths, contents = reader.read(path_queue) #从队列中读取 img_raw = decode(contents) # 将图片缩小到256*256，如果在此之前对图片预处理（放缩），那么这一步可省略 img_raw = tf.image.resize_images(img_raw, [256, 256]) img_raw = tf.image.convert_image_dtype(img_raw, dtype=tf.float32) img_raw.set_shape([256, 256, 3])#设置shape return img_raw
接下来看看如何使用：
img = read_data("D:/test/*" ) img_batch = tf.train.batch([img], batch_size=30) init = tf.initialize_all_variables() with tf.Session() as sess: sess.run(init) threads = tf.train.start_queue_runners(sess=sess) for i in range(3): imgs = sess.run( img_batch ) print(imgs.shape )
看看运行结果:
(30, 256, 256, 3) (30, 256, 256, 3) (30, 256, 256, 3)
