TensorFlow小程序(六)：图像数据处理(1)TFRecord

TensorFlow提供了一种统一的格式来存储数据，这个格式就是TFRecord。
TFRecord文件中的数据都是通过tf.train.Example Protocol Buffer的格式存储的。tf.train.Example中包含了一个从属性名称到取值的字典。其中属性名称为一个字符串，属性的取值可以为字符串，实数列表或者整数列表。
1、将MNIST输入数据转化为TFRecord的格式

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

#生成整数型的属性
def _int64_feature(value):
    return tf.train.Feature(int64_list=tf.train.Int64List(value=[value]))
#生成字符串型的属性
def _bytes_feature(value):
    return tf.train.Feature(bytes_list=tf.train.BytesList(value=[value]))

mnist=input_data.read_data_sets("path/to/mnist/date",dtype=tf.uint8,one_hot=True)
images=mnist.train.images
#训练数据所应对的正确答案，可以作为一个属性保存在TFRecord中
labels=mnist.train.labels
#训练数据的图像分辨率，这可以作为Example中的一个属性
pixels=images.shape[1]
num_examples=mnist.train.num_examples

#输出TFRecord文件的地址
filename="/path/to/output.tfrecords"
#创建一个writer来写TFRecord文件
writer=tf.python_io.TFRecordWriter(filename)
for index in range(num_examples):
    #将图像矩阵转化成一个字符串
    image_raw=images[index].tostring()
    #将一个样例转化为Example Protocol Buffer，并将所有的信息写入这个数据结构
    example=tf.train.Example(feature=tf.train.Features(feature={'pixels':_int64_feature(pixels),
                                                                'label':_int64_feature(np.argmax(labels[index])),
                                                                'image_raw':_bytes_feature(image=raw)}))
    
    #将一个Example写入TFRecord文件
    writer.write(example.SerializeToString())
writer.close()

以上程序可以将MNIST数据集中所有的训练数据存储到一个TFRecord文件中。当数据量较大时，也可以将数据写入多个TFRecord文件。
2、如何读取TFRecord文件中的数据：
#如何读取TFRecord文件中的数据

import tensorflow as tf

#创建一个reader来读取TFRecord文件中的样例
reader=tf.TFRecordReader()
#创建一个队列来维护输入文件列表
#tf.train.string_input_producer函数
filename_queue=tf.train.string_input_producer(["/path/to/output.tfrecords"])

#从文件中读出一个样例，也可以使用read_up_to函数一次性读取多个样例
_,serialized_example=reader.read(filename_queue)
#解析读入的一个样例，如果需要解析多个样例，可以用parse_example函数
#Tensorflow提供两种不同的属性解析方法。一种是tf.FixedLenFeature,这种方法解析的结果为一个Tensor。
#另一种方法是tf.VarLenFeature，这种方法得到的解析结果为SparseTensor，用于处理稀疏数据。这里解析数据的格式需要和上面程序写入数据的格式一致。
features=tf.parse_single_example(serialized_example,
                                 features={
                                    'image_raw':tf.FixedLenFeature([],tf.string),
                                    'pixels':tf.FixedLenFeature([],tf.int64),
                                    'label':tf.FixedLenFeature([],tf.int64),
                                })

#tf.decode_raw可以将字符串解析成图像对应的像素数组
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()
#启动多线程处理输入数据
coord=tf.train.Coordinator()
threads=tf.train.start_queue_runners(sess=sess,coord=coord)

#每次运行可以读取TFRecord文件中的一个样例。当所有样例都读完之后，在此样例中程序会在重头读取
for i in range(10):
    images,labels,pixel =sess.run([images,labels,pixels])

参考书：《TensorFlow实战Google深度学习框架》

TensorFlow小程序(六)：图像数据处理(1)TFRecord

猜你喜欢