TensorFlow数据读取
来源:互联网 发布:黑客和程序员哪个厉害 编辑:程序博客网 时间:2024/06/05 08:10
TensorFlow数据读取
在官方给出的文档中,提到了三种数据读取方式:
- 供给数据(Feeding): 在TensorFlow程序运行的每一步, 让Python代码来供给数据。
- 从文件读取数据: 在TensorFlow图的起始, 让一个输入管线从文件中读取数据。
- 预加载数据: 在TensorFlow图中定义常量或变量来保存所有数据(仅适用于数据量比较小的情况)。
第一种方法是通过placeholeder创建变量,然后在运行是通过feed来把变量传进去,这个方法比较麻烦。
第三种方法是在运行前读取数据集中所有的数据存储到内存中,数据集很小的时候才可以使用,否则会占用大量内存。
因此一般使用第二种方法,通过pipeline从文件中读取数据。详细介绍一下这种方法。
标准的tensorflow数据格式是TFRecords,这是一种二进制文件。图像信息与标签信息存在同一个文件里,不需要单独的存储标签。TFRecords文件包含了tf.train.Example 协议内存块(protocol buffer)(协议内存块包含了字段 Features)。
生成TFRecords文件:将数据填入到Example协议内存块(protocol buffer),将协议内存块序列化为一个字符串, 并且通过tf.python_io.TFRecordWriterclass写入到TFRecords文件。
从TFRecords文件中读取数据:可以使用tf.TFRecordReadertf.parse_single_example解析器。这个parse_single_example操作可以将Example协议内存块(protocol buffer)解析为张量。
下面来看一个例子:
此处我加载的数据目录如下:
1— 000001.jpg
000002.jpg
000003.jpg
000004.jpg
000005.jpg
2— 000006.jpg
000007.jpg
000008.jpg
000009.jpg
000010.jpg
3—-
············
4—-
1,2,3为文件夹名,也代表着图片所属类别。
import tensorflow as tfimport numpy as npfrom PIL import Imageimport oscwd = os.getcwd()root = cwd+"/data/my_data"TFwriter = tf.python_io.TFRecordWriter("./data/xxxxTF.tfrecords")for className in os.listdir(root): label = int(className[0]) classPath = root+"/"+className+"/" for parent, dirnames, filenames in os.walk(classPath): for filename in filenames: imgPath = classPath+"/"+filename print (imgPath) img = Image.open(imgPath) print (img.size,img.mode) imgRaw = img.tobytes() example = tf.train.Example(features=tf.train.Features(feature={ "label":tf.train.Feature(int64_list = tf.train.Int64List(value=[label])), "img_raw":tf.train.Feature(bytes_list = tf.train.BytesList(value=[imgRaw])) }) ) TFwriter.write(example.SerializeToString())TFwriter.close()
结果如下
现在就生成了tfrecorder文件
接下来从tfrecorder文件中读取,使用tf.train.shuffle_batch 函数来对队列中的样本进行乱序处理
def read_and_decode(filename): #根据文件名生成一个队列 filename_queue = tf.train.string_input_producer([filename]) 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), }) img = features['img_raw'] label = features['label'] return img, labelimg, label = read_and_decode("./data/xxxxTF.tfrecords")#使用shuffle_batch可以随机打乱输入batch_size=6min_after_dequeue = 50capacity = min_after_dequeue + 3 * batch_sizeimg_batch, label_batch = tf.train.shuffle_batch([img, label],batch_size=batch_size, capacity=capacity,min_after_dequeue=min_after_dequeue)#init = tf.initialize_all_variables()init=tf.global_variables_initializer()with tf.Session() as sess: threads = tf.train.start_queue_runners(sess=sess) sess.run(init) for i in range(4): val, l= sess.run([img_batch, label_batch]) #我们也可以根据需要对val, l进行处理 #l = to_categorical(l, 12) print(val.shape, l)
结果如下:
(6,) [5 4 2 1 2 2]
(6,) [6 5 3 6 6 4]
(6,) [3 4 1 6 1 1]
(6,) [2 1 1 2 2 2]
这只是做分类任务时的数据集读取方式,若做object detection时,流程类似,加上从xml文件读取信息。
- tensorflow爬坑行:数据读取
- Tensorflow图片数据读取
- Tensorflow读取数据
- Tensorflow读取数据
- tensorflow读取文件数据
- Tensorflow读取数据1
- Tensorflow数据读取方式
- Tensorflow图片数据读取
- tensorflow图片数据读取
- Tensorflow数据读取方法
- TensorFlow读取tfrecords数据
- tensorflow读取数据
- TensorFlow数据读取
- tensorflow读取数据
- tensorflow 数据读取笔记
- TensorFlow数据读取
- TensorFlow读取数据
- tensorflow 数据读取
- sql
- 前端学习(九)关于this关键字的理解
- ios obj-c 延迟时间后没收到通知就执行操作
- 算法训练 筛选号码
- hdu 6118 度度熊的交易计划 费用流
- TensorFlow数据读取
- oracle数据库操作,执行excuteUpdate方法卡住。。
- ubuntu添加qmake 出现错误 qmake: could not exec '/usr/lib/x86_64-linux-gnu/qt4/bin/qmake': No such file or
- ubuntu系统安装python3.5
- hdu--6096--String
- java project facets java version没有1.7
- 抽象类和接口
- python调用caffe
- 关于EditText输入数字密码