TensorFlow------TFRecords的分析与存储实例
Posted fwl8888
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了TensorFlow------TFRecords的分析与存储实例相关的知识,希望对你有一定的参考价值。
TensorFlow------TFRecords的分析与存储实例:
import os import tensorflow as tf # 定义cifar的数据等命令行参数 FLAGS = tf.app.flags.FLAGS tf.app.flags.DEFINE_string(‘cifar_dir‘,‘./data/cifar10/cifar-10-batches-bin‘,‘文件的目录‘) tf.app.flags.DEFINE_string(‘cifar_tfrecords‘,‘./tmp/cifar.tfrecords‘,‘存储tfrecords的文件‘) class CifarRead(object): ‘‘‘ 完成读取二进制文件,写进tfrecords,读取tfrecords :param object: :return: ‘‘‘ def __init__(self,filelist): # 文件列表 self.file_list = filelist # 定义读取的图片的一些属性 self.height = 32 self.width = 32 self.channel = 3 # 二进制文件每张图片的字节 self.label_bytes = 1 self.image_bytes = self.height * self.width * self.channel self.bytes = self.label_bytes + self.image_bytes def read_and_decode(self): # 1. 构建文件队列 file_queue = tf.train.string_input_producer(self.file_list) # 2. 构建二进制文件读取器,读取内容,每个样本的字节数 reader = tf.FixedLengthRecordReader(self.bytes) key,value = reader.read(file_queue) # 3. 解码内容,二进制文件内容的解码 label_image包含目标值和特征值 label_image = tf.decode_raw(value,tf.uint8) print(label_image) # 4.分割出图片和标签数据,特征值和目标值 label = tf.slice(label_image,[0],[self.label_bytes]) image = tf.slice(label_image,[self.label_bytes],[self.image_bytes]) print(‘---->‘) print(image) # 5. 可以对图片的特征数据进行形状的改变 [3072]-->[32,32,3] image_reshape = tf.reshape(image,[self.height,self.width,self.channel]) print(‘======>‘) print(label) print(‘======>‘) # 6. 批处理数据 image_batch,label_batch = tf.train.batch([image_reshape,label],batch_size=10,num_threads=1,capacity=10) print(image_batch,label_batch) return image_batch,label_batch def write_ro_tfrecords(self,image_batch,label_batch): ‘‘‘ 将图片的特征值和目标值存进tfrecords :param image_batch: 10张图片的特征值 :param label_batch: 10张图片的目标值 :return: None ‘‘‘ # 1.建立TFRecord存储器 writer = tf.python_io.TFRecordWriter(FLAGS.cifar_tfrecords) # 2. 循环将所有样本写入文件,每张图片样本都要构造example协议 for i in range(10): # 取出第i个图片数据的特征值和目标值 image = image_batch[i].eval().tostring() label = int(label_batch[i].eval()[0]) # 构造一个样本的example example = tf.train.Example(features=tf.train.Features(feature={ ‘image‘:tf.train.Feature(bytes_list=tf.train.BytesList(value=[image])), ‘label‘:tf.train.Feature(int64_list=tf.train.Int64List(value=[label])), })) # 写入单独的样本 writer.write(example.SerializeToString()) # 关闭 writer.close() return None if __name__ == ‘__main__‘: # 找到文件,构建列表 路径+名字 ->列表当中 file_name = os.listdir(FLAGS.cifar_dir) # 拼接路径 重新组成列表 filelist = [os.path.join(FLAGS.cifar_dir,file) for file in file_name if file[-3:] == ‘bin‘] # 调用函数传参 cf = CifarRead(filelist) image_batch,label_batch = cf.read_and_decode() # 开启会话 with tf.Session() as sess: # 定义一个线程协调器 coord = tf.train.Coordinator() # 开启读文件的线程 threads = tf.train.start_queue_runners(sess,coord=coord) # 存进tfrecords文件 print(‘开始存储‘) cf.write_ro_tfrecords(image_batch,label_batch) print(‘结束存储‘) # 打印读取的内容 # print(sess.run([image_batch,label_batch])) # 回收子线程 coord.request_stop() coord.join(threads)
以上是关于TensorFlow------TFRecords的分析与存储实例的主要内容,如果未能解决你的问题,请参考以下文章