import os
import random # 后續(xù)用來(lái)將數(shù)據(jù)隨機(jī)打亂和生成確定隨機(jī)種子，保證每次生成的隨機(jī)數(shù)據(jù)一樣便于測(cè)試模型精準(zhǔn)度

--top 我們需要遍歷的文件夾的地址（最好使用絕對(duì)地址，相對(duì)地址有時(shí)會(huì)出現(xiàn)未知錯(cuò)誤）
--topdown 該參數(shù)為True時(shí)，會(huì)優(yōu)先遍歷top目錄，否則優(yōu)先遍歷top的子目錄(默認(rèn)值為 True)
--onerror 需要一個(gè) callable 對(duì)象，當(dāng)walk需要異常時(shí)會(huì)調(diào)用
--followlinks 如果為真，則會(huì)遍歷目錄下的快捷方式(linux 下是 symbolic link)實(shí)際所指的目錄(默認(rèn)關(guān)閉)

--root 指的是當(dāng)前正在遍歷的這個(gè)文件夾的本身的地址
--dirs 返回的是一個(gè)列表list，表中數(shù)據(jù)是該文件夾中所有的目錄的名稱(但不包括子目錄名稱)
--files 返回的也是一個(gè)列表list , 表中數(shù)據(jù)是該文件夾中所有的文件名稱(但不包括子目錄名稱)

# topdown=True(該參數(shù)默認(rèn)為真)
def _get_img_info(): 
	#測(cè)試時(shí)將data_dir 換為自己的目標(biāo)文件夾即可
    data_dir = r'C:\Users\futiange\Desktop\Zero to Hero\expression_test\raw_data'
    for root,dirs,files in os.walk(data_dir,topdown=True):
        print('root={}'.format(root))
        print('dirs={}'.format(dirs))
        print('files={}'.format(files))
if __name__ == '__main__':
    _get_img_info()
# topdown=False(該參數(shù)默認(rèn)為假) 
def _get_img_info(): 
    data_dir = r'C:\Users\futiange\Desktop\Zero to Hero\expression_test\raw_data'
    for root,dirs,files in os.walk(data_dir,topdown=False):
        print('root={}'.format(root))
        print('dirs={}'.format(dirs))
        print('files={}'.format(files))
if __name__ == '__main__':
    _get_img_info()

import os
import random # 后續(xù)用來(lái)將數(shù)據(jù)隨機(jī)打亂和生成確定隨機(jī)種子，保證每次生成的隨機(jī)數(shù)據(jù)一樣便于測(cè)試模型精準(zhǔn)度

def _get_img_info(rng_seed,split_n,mode):
    image_path_list = [] #用來(lái)存放圖片的路徑
    label_path_list = [] #用來(lái)存放圖片對(duì)應(yīng)的標(biāo)簽
    data_dir = r'C:\Users\futiange\Desktop\Zero to Hero\expression_test\raw_data' 
    for root,dirs,files in os.walk(data_dir):
        for file in files:
            path_file = os.path.join(root,file)
            print(path_file)
            if path_file.endswith(".jpg"): #判斷該路徑下文件是不是以.jpg結(jié)尾
                #print(os.path.basename(root)) #輸出圖片路徑
                #print(os.path.basename(root)[0]) #輸出該圖片所在的文件夾的第一個(gè)字符，我這里文件夾的第一個(gè)字符就是圖片的標(biāo)簽，測(cè)試時(shí)可以根據(jù)自己的文件夾名稱更改
                #print(int(os.path.basename(root)[0]))
                image_path_list.append(path_file) #將圖片路徑加入列表
                label_path_list.append(os.path.basename(root)[0]) #根據(jù)文件夾名稱確定標(biāo)簽，并加入列表
    data_info = [[n,l] for n,l in zip(image_path_list,label_path_list)] #將圖片路徑-標(biāo)簽 關(guān)聯(lián)起來(lái)
    random.seed(rng_seed) # 該方法中傳入?yún)?shù)，確保每次生成的種子都是一樣的
    random.shuffle(data_info) #上一行代碼生成的種子是確定的，保證了每次將列表元素打亂后的結(jié)果一樣，便于測(cè)試模型性能
    split_idx = int(len(data_info) * split_n) # data_len * 0.9 # split_n代表數(shù)據(jù)集劃分的比例
    if mode == 'train':
        img_set = data_info[:split_idx] 
    elif mode == 'val':
        img_set = data_info[split_idx:]
    else:
        raise Exception("mode 無(wú)法識(shí)別，僅支持(train,valid)")
    return img_set #返回隨機(jī)打亂后的數(shù)據(jù)集，后續(xù)在對(duì)其進(jìn)行格式化即可將數(shù)據(jù)集加載進(jìn)模型測(cè)試
if __name__ == '__main__':
    _get_img_info(1,0.9,'train')