message Example{
  Features features = 1
}

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

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

# -*- coding: utf-8 -*-

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
import numpy as np


# 生成整數型的屬性
def _int64_feature(value):
  return tf.train.Feature(int64_list=tf.train.Int64List(value=[value]))

# 生成浮點型的屬性
def _float_feature(value):
  return tf.train.Feature(float_list=tf.train.FloatList(value=[value]))  
#若想保存為數組，則要改成value=value即可


# 生成字符串型的屬性
def _bytes_feature(value):
  return tf.train.Feature(bytes_list=tf.train.BytesList(value=[value]))


mnist = input_data.read_data_sets("/tensorflow_google", dtype=tf.uint8, one_hot=True)
images = mnist.train.images
# 訓練數據所對應的正確答案，可以作為一個屬性保存在TFRecord中
labels = mnist.train.labels
# 訓練數據的圖像分辨率，這可以作為Example中的一個屬性
pixels = images.shape[1]
num_examples = mnist.train.num_examples

# 輸出TFRecord文件的地址
filename = "/tensorflow_google/mnist_output.tfrecords"
# 創(chuàng)建一個writer來寫TFRecord文件
writer = tf.python_io.TFRecordWriter(filename)
for index in range(num_examples):
  # 將圖像矩陣轉換成一個字符串
  image_raw = images[index].tostring()
  # 將一個樣例轉化為Example Protocol Buffer, 并將所有的信息寫入這個數據結構
  example = tf.train.Example(features=tf.train.Features(feature={
    'pixels': _int64_feature(pixels),
    'label': _int64_feature(np.argmax(labels[index])),
    'image_raw': _bytes_feature(image_raw)}))

  # 將一個Example寫入TFRecord文件
  writer.write(example.SerializeToString())
writer.close()

# -*- coding: utf-8 -*-
import tensorflow as tf

# 創(chuàng)建一個reader來讀取TFRecord文件中的樣例
reader = tf.TFRecordReader()
# 創(chuàng)建一個隊列來維護輸入文件列表
filename_queue = tf.train.string_input_producer(["/Users/gaoyue/文檔/Program/tensorflow_google/chapter7"
                         "/mnist_output.tfrecords"])

# 從文件中讀出一個樣例，也可以使用read_up_to函數一次性讀取多個樣例
# _, serialized_example = reader.read(filename_queue)
_, serialized_example = reader.read_up_to(filename_queue, 6) #讀取6個樣例
# 解析讀入的一個樣例，如果需要解析多個樣例，可以用parse_example函數
# features = tf.parse_single_example(serialized_example, features={
# 解析多個樣例
features = tf.parse_example(serialized_example, features={
  # TensorFlow提供兩種不同的屬性解析方法
  # 第一種是tf.FixedLenFeature,得到的解析結果為Tensor
  # 第二種是tf.VarLenFeature,得到的解析結果為SparseTensor，用于處理稀疏數據
  # 解析數據的格式需要與寫入數據的格式一致
  'image_raw': tf.FixedLenFeature([], tf.string),
  'pixels': tf.FixedLenFeature([], tf.int64),
  'label': tf.FixedLenFeature([], tf.int64),
})

# tf.decode_raw可以將字符串解析成圖像對應的像素數組
images = tf.decode_raw(features['image_raw'], tf.uint8)
labels = tf.cast(features['label'], tf.int32)
pixels = tf.cast(features['pixels'], tf.int32)

sess = tf.Session()
# 啟動多線程處理輸入數據
coord = tf.train.Coordinator()
threads = tf.train.start_queue_runners(sess=sess, coord=coord)

# 每次運行可以讀取TFRecord中的一個樣例，當所有樣例都讀完之后，會重頭讀取
# for i in range(10):
#   image, label, pixel = sess.run([images, labels, pixels])
#   # print(image, label, pixel)
#   print(label, pixel)

# 讀取TFRecord中的前6個樣例，若加入循環(huán)，則會每次從上次輸出的地方繼續(xù)順序讀6個樣例
image, label, pixel = sess.run([images, labels, pixels])
print(label, pixel)

sess.close()

>> [7 3 4 6 1 8] [784 784 784 784 784 784]