在跑通了官网的mnist和cifar10数据之后，笔者尝试着制作自己的数据集，并保存，读入，显示。 TensorFlow可以支持cifar10的数据格式，也提供了标准的TFRecord 格式，而关于 tensorflow 读取数据，官网提供了3中方法

1 Feeding：在tensorflow程序运行的每一步，用python代码在线提供数据
2 Reader ：在一个计算图（tf.graph）的开始前，将文件读入到流（queue）中
3 在声明tf.variable变量或numpy数组时保存数据。受限于内存大小，适用于数据较小的情况

在本文，主要介绍第二种方法，利用tf.record标准接口来读入文件

准备图片数据

笔者找了2类狗的图片，哈士奇和吉娃娃，全部 resize成128 * 128大小
如下图，保存地址为D:\Python\data\dog

每类中有10张图片

现在利用这2 类 20张图片制作TFRecord文件

制作TFRECORD文件

1 先聊一下tfrecord, 这是一种将图像数据和标签放在一起的二进制文件，能更好的利用内存，在tensorflow中快速的复制，移动，读取，存储等等..

这里注意，tfrecord会根据你选择输入文件的类，自动给每一类打上同样的标签
如在本例中，只有0,1 两类

2 先上“制作TFRecord文件”的代码，注释附详解

import os

import tensorflow as tf

from PIL import Image #注意Image,后面会用到

import matplotlib.pyplot as plt

import numpy as np

cwd='D:\Python\data\dog\\'

classes={'husky','chihuahua'} #人为设定 2 类

writer= tf.python_io.TFRecordWriter("dog_train.tfrecords") #要生成的文件

for index,name in enumerate(classes):

class_path=cwd+name+'\\'

for img_name in os.listdir(class_path):

img_path=class_path+img_name #每一个图片的地址

img=Image.open(img_path)

img= img.resize((128,128))

img_raw=img.tobytes()#将图片转化为二进制格式

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]))

})) #example对象对label和image数据进行封装

writer.write(example.SerializeToString()) #序列化为字符串

writer.close()

运行完这段代码后，会生成dog_train.tfrecords 文件，如下图

tf.train.Example 协议内存块包含了Features字段，通过feature将图片的二进制数据和label进行统一封装，然后将example协议内存块转化为字符串， tf.python_io.TFRecordWriter 写入到TFRecords文件中。

读取TFRECORD文件

在制作完tfrecord文件后，将该文件读入到数据流中。
代码如下

def read_and_decode(filename): # 读入dog_train.tfrecords

filename_queue = tf.train.string_input_producer([filename])#生成一个queue队列

reader = tf.TFRecordReader()

_, serialized_example = reader.read(filename_queue)#返回文件名和文件

features = tf.parse_single_example(serialized_example,

features={

'label': tf.FixedLenFeature([], tf.int64),

'img_raw' : tf.FixedLenFeature([], tf.string),

})#将image数据和label取出来

img = tf.decode_raw(features['img_raw'], tf.uint8)

img = tf.reshape(img, [128, 128, 3]) #reshape为128*128的3通道图片

img = tf.cast(img, tf.float32) * (1. / 255) - 0.5 #在流中抛出img张量

label = tf.cast(features['label'], tf.int32) #在流中抛出label张量

return img, label

注意，feature的属性“label”和“img_raw”名称要和制作时统一，返回的img数据和label数据一一对应。返回的img和label是2个 tf 张量，print出来如下图

显示tfrecord格式的图片

有些时候我们希望检查分类是否有误，或者在之后的网络训练过程中可以监视，输出图片，来观察分类等操作的结果，那么我们就可以session回话中，将tfrecord的图片从流中读取出来，再保存。紧跟着一开始的代码写：

filename_queue = tf.train.string_input_producer(["dog_train.tfrecords"]) #读入流中

reader = tf.TFRecordReader()

_, serialized_example = reader.read(filename_queue) #返回文件名和文件

features = tf.parse_single_example(serialized_example,

features={

'label': tf.FixedLenFeature([], tf.int64),

'img_raw' : tf.FixedLenFeature([], tf.string),

}) #取出包含image和label的feature对象

image = tf.decode_raw(features['img_raw'], tf.uint8)

image = tf.reshape(image, [128, 128, 3])

label = tf.cast(features['label'], tf.int32)

with tf.Session() as sess: #开始一个会话

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])#在会话中取出image和label

img=Image.fromarray(example, 'RGB')#这里Image是之前提到的

img.save(cwd+str(i)+'_''Label_'+str(l)+'.jpg')#存下图片

print(example, l)

coord.request_stop()

coord.join(threads)

代码运行完后，从tfrecord中取出的文件被保存了。如下图：

在这里我们可以看到，图片文件名的第一个数字表示在流中的顺序（这里没有用shuffle），第二个数字则是每个图片的label，吉娃娃都为0，哈士奇都为1。由此可见，我们一开始制作tfrecord文件时，图片分类正确。

下面给出一些常见图片处理方式：

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

import matplotlib.pyplot as plt
import tensorflow as tf
import numpy as np
import os

os.getcwd()

image_raw_data = tf.gfile.FastGFile("E:\\testData\\images\\cat.jpg",'rb').read()

with tf.Session() as sess:
    img_data = tf.image.decode_jpeg(image_raw_data)

    # 输出解码之后的三维矩阵。
    #print(img_data.eval())
    #print(img_data.get_shape())
    img_data.set_shape([1797, 2673, 3])
    print(img_data.get_shape())

#### 2. 打印图片
with tf.Session() as sess:
    plt.imshow(img_data.eval())
    plt.show()
#### 3. 重新调整图片大小
with tf.Session() as sess:
    resized = tf.image.resize_images(img_data, [300, 300], method=0)

    # TensorFlow的函数处理图片后存储的数据是float32格式的，需要转换成uint8才能正确打印图片。
    print("Digital type: ", resized.dtype)
    cat = np.asarray(resized.eval(), dtype='uint8')
    # tf.image.convert_image_dtype(rgb_image, tf.float32)
    plt.imshow(cat)
    plt.show()

#### 4. 裁剪和填充图片
with tf.Session() as sess:
    croped = tf.image.resize_image_with_crop_or_pad(img_data, 1000, 1000)
    padded = tf.image.resize_image_with_crop_or_pad(img_data, 3000, 3000)
    plt.imshow(croped.eval())
    plt.show()
    plt.imshow(padded.eval())
    plt.show()

#### 5. 截取中间50%的图片
with tf.Session() as sess:
    central_cropped = tf.image.central_crop(img_data, 0.5)
    plt.imshow(central_cropped.eval())
    plt.show()

#### 6. 翻转图片
with tf.Session() as sess:
    # 上下翻转
    #flipped1 = tf.image.flip_up_down(img_data)
    # 左右翻转
    #flipped2 = tf.image.flip_left_right(img_data)

    #对角线翻转
    transposed = tf.image.transpose_image(img_data)
    plt.imshow(transposed.eval())
    plt.show()

    # 以一定概率上下翻转图片。
    #flipped = tf.image.random_flip_up_down(img_data)
    # 以一定概率左右翻转图片。
    #flipped = tf.image.random_flip_left_right(img_data)

#### 7. 图片色彩调整
with tf.Session() as sess:
    # 将图片的亮度-0.5。
    #adjusted = tf.image.adjust_brightness(img_data, -0.5)

    # 将图片的亮度-0.5
    #adjusted = tf.image.adjust_brightness(img_data, 0.5)

    # 在[-max_delta, max_delta)的范围随机调整图片的亮度。
    adjusted = tf.image.random_brightness(img_data, max_delta=0.5)

    # 将图片的对比度-5
    #adjusted = tf.image.adjust_contrast(img_data, -5)

    # 将图片的对比度+5
    #adjusted = tf.image.adjust_contrast(img_data, 5)

    # 在[lower, upper]的范围随机调整图的对比度。
    #adjusted = tf.image.random_contrast(img_data, lower, upper)

plt.imshow(adjusted.eval())
    plt.show()

#### 8. 添加色相和饱和度
with tf.Session() as sess:
    adjusted = tf.image.adjust_hue(img_data, 0.1)
    #adjusted = tf.image.adjust_hue(img_data, 0.3)
    #adjusted = tf.image.adjust_hue(img_data, 0.6)
    #adjusted = tf.image.adjust_hue(img_data, 0.9)

    # 在[-max_delta, max_delta]的范围随机调整图片的色相。max_delta的取值在[0, 0.5]之间。
    #adjusted = tf.image.random_hue(image, max_delta)

    # 将图片的饱和度-5。
    #adjusted = tf.image.adjust_saturation(img_data, -5)
    # 将图片的饱和度+5。
    #adjusted = tf.image.adjust_saturation(img_data, 5)
    # 在[lower, upper]的范围随机调整图的饱和度。
    #adjusted = tf.image.random_saturation(img_data, lower, upper)

    # 将代表一张图片的三维矩阵中的数字均值变为0，方差变为1。
    #adjusted = tf.image.per_image_whitening(img_data)

    plt.imshow(adjusted.eval())
    plt.show()

#### 9. 添加标注框并裁减。
with tf.Session() as sess:

boxes = tf.constant([[[0.05, 0.05, 0.9, 0.7], [0.35, 0.47, 0.5, 0.56]]])

begin, size, bbox_for_draw = tf.image.sample_distorted_bounding_box(
tf.shape(img_data), bounding_boxes=boxes)

batched = tf.expand_dims(tf.image.convert_image_dtype(img_data, tf.float32), 0)
    image_with_box = tf.image.draw_bounding_boxes(batched, bbox_for_draw)

    distorted_image = tf.slice(img_data, begin, size)
    plt.imshow(distorted_image.eval())
    plt.show()

TensorFlow学习笔记（二十四）自制TFRecord数据集读取、显示及代码详解相关推荐

TensorFlow学习笔记（十四）TensorFLow 用mnist数据做classification
之前的例子,给的都是tf来做regression,也就是回归问题,现在用tf来做一个classification的处理,也就是分类问题. 这里用的数据集是mnist数据. 代码: "&quo ...
[傅里叶变换及其应用学习笔记] 二十四. 级联，脉冲响应
我们上节课学习了在离散有限维空间中,任何线性系统都是通过矩阵间的相乘得到的在连续无限维空间中,任何线性系统都是通过对核函数的积分得到的脉冲响应(impulse response) 级联线性系统( ...
Mr.J-- jQuery学习笔记(二十四)--剖析jQuery源码--extend
定义和用法 jQuery.extend() 函数用于将一个或多个对象的内容合并到目标对象. 注意:1. 如果只为$.extend()指定了一个参数,则意味着参数target被省略.此时,target就 ...
tensorflow学习笔记(三十四)：Saver(保存与加载模型)
Saver tensorflow 中的 Saver 对象是用于参数保存和恢复的.如何使用呢? 这里介绍了一些基本的用法. 官网中给出了这么一个例子: v1 = tf.Variable(..., na ...
立创eda学习笔记二十四：拼板
这里主要是两部分:自带拼板和手动拼板,软件自带拼板功能,那么手动拼板当然就是自己重新画图拼板了. 一般用自带拼板功能就可以了,把单板画好之后很容易就拼好了,完全不用动任何器件和丝印编号,单板会被理解成 ...
Numpy学习笔记(二):argmax参数中axis=0,axis=1,axis=-1详解附代码
文章目录 1.argmax和max函数区别 2.axis=0/axis=1/axis=-1的区别 3.具体代码分析 ---3.1一维数组 ---3.2二维数组 ---3.3三维数组 1.argmax和 ...
tensorflow学习笔记(三十二):conv2d_transpose (解卷积)
tensorflow学习笔记(三十二):conv2d_transpose ("解卷积") deconv解卷积,实际是叫做conv_transpose, conv_transpose ...
Windows保护模式学习笔记（十四）—— 阶段测试
Windows保护模式学习笔记(十四)-- 阶段测试题目一解题步骤题目二解题步骤题目一描述:给定一个线性地址,和长度,读取内容 int ReadMemory(OUT BYTE* buffe ...
QT学习笔记（十四）：QLayout的属性介绍
QT学习笔记(十四):QLayout的属性介绍主要包括QBoxLayout.和QGridLayout以及QFormLayout等的参数类似. 我主要说明一下QGridLayout在QtDesigne ...
python数据挖掘学习笔记】十四.Scipy调用curve_fit实现曲线拟合
#2018-03-28 10:02:08 March Wednesday the 13 week, the 087 day SZ SSMR python数据挖掘学习笔记]十四.Scipy调用curve ...

TensorFlow学习笔记（二十四）自制TFRecord数据集读取、显示及代码详解

准备图片数据

制作TFRECORD文件

读取TFRECORD文件

显示tfrecord格式的图片

TensorFlow学习笔记（二十四）自制TFRecord数据集读取、显示及代码详解相关推荐

最新文章

热门文章

TensorFlow学习笔记（二十四）自制TFRecord数据集 读取、显示及代码详解

准备图片数据

制作TFRECORD文件

读取TFRECORD文件

显示tfrecord格式的图片

TensorFlow学习笔记（二十四）自制TFRecord数据集 读取、显示及代码详解相关推荐

最新文章

热门文章

TensorFlow学习笔记（二十四）自制TFRecord数据集读取、显示及代码详解

TensorFlow学习笔记（二十四）自制TFRecord数据集读取、显示及代码详解相关推荐