訓練模型時，我們并不是直接將圖像送入模型，而是先將圖像轉換為tfrecord文件，再將tfrecord文件送入模型。為進一步理解tfrecord文件，本例先將6幅圖像及其標簽轉換為tfrecord文件，然后讀取tfrecord文件，重現6幅圖像及其標簽。
1、生成tfrecord文件
import os
import numpy as np
import tensorflow as tf
from PIL import Image
filenames = [
'images/cat/1.jpg',
'images/cat/2.jpg',
'images/dog/1.jpg',
'images/dog/2.jpg',
'images/pig/1.jpg',
'images/pig/2.jpg',]
labels = {'cat':0, 'dog':1, 'pig':2}
def int64_feature(values):
if not isinstance(values, (tuple, list)):
values = [values]
return tf.train.Feature(int64_list=tf.train.Int64List(value=values))
def bytes_feature(values):
return tf.train.Feature(bytes_list=tf.train.BytesList(value=[values]))
with tf.Session() as sess:
output_filename = os.path.join('images/train.tfrecords')
with tf.python_io.TFRecordWriter(output_filename) as tfrecord_writer:
for filename in filenames:
#讀取圖像
image_data = Image.open(filename)
#圖像灰度化
image_data = np.array(image_data.convert('L'))
#將圖像轉化為bytes
image_data = image_data.tobytes()
#讀取label
label = labels[filename.split('/')[-2]]
#生成protocol數據類型
example = tf.train.Example(features=tf.train.Features(feature={'image': bytes_feature(image_data),
'label': int64_feature(label)}))
tfrecord_writer.write(example.SerializeToString())
2、讀取tfrecord文件
import tensorflow as tf
import matplotlib.pyplot as plt
from PIL import Image
# 根據文件名生成一個隊列
filename_queue = tf.train.string_input_producer(['images/train.tfrecords'])
reader = tf.TFRecordReader()
# 返回文件名和文件
_, serialized_example = reader.read(filename_queue)
features = tf.parse_single_example(serialized_example,
features={'image': tf.FixedLenFeature([], tf.string),
'label': tf.FixedLenFeature([], tf.int64)})
# 獲取圖像數據
image = tf.decode_raw(features['image'], tf.uint8)
# 恢復圖像原始尺寸[高，寬]
image = tf.reshape(image, [60, 160])
# 獲取label
label = tf.cast(features['label'], tf.int32)
with tf.Session() as sess:
# 創建一個協調器，管理線程
coord = tf.train.Coordinator()
# 啟動QueueRunner, 此時文件名隊列已經進隊
threads = tf.train.start_queue_runners(sess=sess, coord=coord)
for i in range(6):
image_b, label_b = sess.run([image, label])
img = Image.fromarray(image_b, 'L')
plt.imshow(img)
plt.axis('off')
plt.show()
print(label_b)
# 通知其他線程關閉
coord.request_stop()
# 其他所有線程關閉之后，這一函數才能返回
coord.join(threads)
到此這篇關于tensorflow學習筆記之tfrecord文件的生成與讀取的文章就介紹到這了,更多相關tfrecord文件的生成與讀取內容請搜索腳本之家以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:- tensorflow TFRecords文件的生成和讀取的方法
- tensorflow生成多個tfrecord文件實例
- Tensorflow中批量讀取數據的案列分析及TFRecord文件的打包與讀取
- tensorflow將圖片保存為tfrecord和tfrecord的讀取方式
- tensorflow入門:TFRecordDataset變長數據的batch讀取詳解
- Tensorflow中使用tfrecord方式讀取數據的方法
