快捷導(dǎo)航

Tensorflow使用tfrecord輸入數(shù)據(jù)格式

更新時間：2018年06月19日 09:55:25 作者：ruyiweicas

這篇文章主要介紹了Tensorflow使用tfrecord輸入數(shù)據(jù)格式,小編覺得挺不錯的，現(xiàn)在分享給大家，也給大家做個參考。一起跟隨小編過來看看吧

Tensorflow 提供了一種統(tǒng)一的格式來存儲數(shù)據(jù)，這個格式就是TFRecord,上一篇文章中所提到的方法當(dāng)數(shù)據(jù)的來源更復(fù)雜，每個樣例中的信息更豐富的時候就很難有效的記錄輸入數(shù)據(jù)中的信息了，于是Tensorflow提供了TFRecord來統(tǒng)一存儲數(shù)據(jù)，接下來我們就來介紹如何使用TFRecord來同意輸入數(shù)據(jù)的格式。

1. TFRecord格式介紹

TFRecord文件中的數(shù)據(jù)是通過tf.train.Example Protocol Buffer的格式存儲的，下面是tf.train.Example的定義

message Example {
 Features features = 1;
};

message Features{
 map<string,Feature> featrue = 1;
};

message Feature{
  oneof kind{
    BytesList bytes_list = 1;
    FloatList float_list = 2;
    Int64List int64_list = 3;
  }
};

從上述代碼可以看到，ft.train.Example 的數(shù)據(jù)結(jié)構(gòu)相對簡潔。tf.train.Example中包含了一個從屬性名稱到取值的字典，其中屬性名稱為一個字符串，屬性的取值可以為字符串（BytesList ），實數(shù)列表（FloatList ）或整數(shù)列表（Int64List ）。例如我們可以將解碼前的圖片作為字符串，圖像對應(yīng)的類別標(biāo)號作為整數(shù)列表。

2. 將自己的數(shù)據(jù)轉(zhuǎn)化為TFRecord格式

準(zhǔn)備數(shù)據(jù)

在上一篇中，我們?yōu)榱讼駛ゴ蟮腗NIST致敬，所以選擇圖像的前綴來進行不同類別的分類依據(jù)，但是大多數(shù)的情況下，在進行分類任務(wù)的過程中，不同的類別都會放在不同的文件夾下，而且類別的個數(shù)往往浮動性又很大，所以針對這樣的情況，我們現(xiàn)在利用不同類別在不同文件夾中的圖像來生成TFRecord.

我們在Iris&Contact這個文件夾下有兩個文件夾，分別為iris,contact。對于每個文件夾中存放的是對應(yīng)的圖片

轉(zhuǎn)換數(shù)據(jù)

數(shù)據(jù)準(zhǔn)備好以后，就開始準(zhǔn)備生成TFRecord,具體代碼如下：

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

cwd='/home/ruyiwei/Documents/Iris&Contact/'
classes={'iris','contact'} 
writer= tf.python_io.TFRecordWriter("iris_contact.tfrecords") 

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((512,80))
    img_raw=img.tobytes()
    #plt.imshow(img) # if you want to check you image,please delete '#'
    #plt.show()
    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. Tensorflow從TFRecord中讀取數(shù)據(jù)

def read_and_decode(filename): # read iris_contact.tfrecords
  filename_queue = tf.train.string_input_producer([filename])# create a queue

  reader = tf.TFRecordReader()
  _, serialized_example = reader.read(filename_queue)#return file_name and file
  features = tf.parse_single_example(serialized_example,
                    features={
                      'label': tf.FixedLenFeature([], tf.int64),
                      'img_raw' : tf.FixedLenFeature([], tf.string),
                    })#return image and label

  img = tf.decode_raw(features['img_raw'], tf.uint8)
  img = tf.reshape(img, [512, 80, 3]) #reshape image to 512*80*3
  img = tf.cast(img, tf.float32) * (1. / 255) - 0.5 #throw img tensor
  label = tf.cast(features['label'], tf.int32) #throw label tensor
  return img, label

4. 將TFRecord中的數(shù)據(jù)保存為圖片

filename_queue = tf.train.string_input_producer(["iris_contact.tfrecords"]) 
reader = tf.TFRecordReader()
_, serialized_example = reader.read(filename_queue)  #return file and file_name
features = tf.parse_single_example(serialized_example,
                  features={
                    'label': tf.FixedLenFeature([], tf.int64),
                    'img_raw' : tf.FixedLenFeature([], tf.string),
                  }) 
image = tf.decode_raw(features['img_raw'], tf.uint8)
image = tf.reshape(image, [512, 80, 3])
label = tf.cast(features['label'], tf.int32)
with tf.Session() as sess: 
  init_op = tf.initialize_all_variables()
  sess.run(init_op)
  coord=tf.train.Coordinator()
  threads= tf.train.start_queue_runners(coord=coord)
  for i in range(20):
    example, l = sess.run([image,label])#take out image and label
    img=Image.fromarray(example, 'RGB')
    img.save(cwd+str(i)+'_''Label_'+str(l)+'.jpg')#save image
    print(example, l)
  coord.request_stop()
  coord.join(threads)

以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

您可能感興趣的文章: