TensorFlow读取数据

本文介绍如何使用TensorFlow来读取图片数据，主要介绍写入TFRecord文件再读取和直接使用队列来读取两种方式。假设我们图片目录结构如下：

|---a|   |---1.jpg|   |---2.jpg|   |---3.jpg||---b|   |---1.jpg|   |---2.jpg|   |---3.jpg||---c|   |---1.jpg|   |---2.jpg|   |---3.jpg

1 使用TFRecoder

思路：思路：使用TFRecod主要是把每张图片及其对应的label写入到一个tfrecode文件中。tfrecode以二进制形式保存，其中内部使用了protobuf定义协议，即定义格式序列化为二进制。我们可以使用tf提供的tf.train.Example来指定序列化格式。将a目录中所有的文件的label指定为a，另外两个目录b、c同理。

代码如下：

def build_data(dir,file_str,map_str):    '''    :param dir: 根目录，dir下所有子目录名称为label    :param file_str: 导出的tfrecorde文件    :param map_str: 数字序号0~n与label映射关系保存路径    :return:    '''    files=os.listdir(dir);    writer = tf.python_io.TFRecordWriter(file_str)  # 要生成的文件    # 由于tf.train.Feature只能取float、int和bytes，因此需要将label映射到int，保存到文件    map_file = open(map_str,'w')    for index,label in enumerate(files):     #遍历文件夹        data_dir = os.path.join(dir,label)        map_file.write(str(index) + ":" + label + "\n")        for img_name in os.listdir(data_dir):  #遍历图片            img_path=os.path.join(data_dir,img_name)            img = Image.open(img_path)         #读取图片            img = img.resize((256, 256))       #将图片宽高转为256*256            img_raw=img.tobytes()              #图片转为字节            example=tf.train.Example(features=tf.train.Features(feature={                'label': tf.train.Feature(int64_list=tf.train.Int64List(value=[index])),                'img': tf.train.Feature(bytes_list=tf.train.BytesList(value=[img_raw]))            }))            writer.write(example.SerializeToString())  # 序列化为字符串并写入文件    writer.close()    map_file.close();

接下来是读取tfrecord文件。注意读取时label、img名称及类型要一致：

def read_data(file_str):    # 根据文件名生成一个队列    file_path_queue = tf.train.string_input_producer([file_str])    reader = tf.TFRecordReader()    _, serialized_example = reader.read(file_path_queue)  # 返回文件名和文件    features = tf.parse_single_example(serialized_example,                                       features={                                           'label': tf.FixedLenFeature([], tf.int64),                                           'img': tf.FixedLenFeature([], tf.string),                                       })    label = tf.cast(features['label'], tf.int64)       # 读取label    img = tf.decode_raw(features['img'], tf.uint8)    img = tf.reshape(img, [256, 256, 3])               #将维度转为256*256的3通道    img = tf.cast(img, tf.float32) * (1. / 255) - 0.5  #将图片中的数据转为[-0.5,0.5]    return img, label

接下来看看如何使用：

build_data("D:/test","D:/data/tf.tfrecorde","D:/data/map.txt")img, label =read_data("D:/data/tf.tfrecorde")#使用shuffle_batch可以随机打乱输入img_batch, label_batch = tf.train.shuffle_batch([img, label],                                                batch_size=30, capacity=2000,                                                min_after_dequeue=1000)init = tf.initialize_all_variables()with tf.Session() as sess:    sess.run(init)    threads = tf.train.start_queue_runners(sess=sess)    for i in range(3):        imgs, labels= sess.run([img_batch, label_batch])        #我们也可以根据需要对val， l进行处理         print(imgs.shape, labels)

运行结果如下：

(30, 256, 256, 3) [1 2 2 1 1 2 2 1 0 1 0 1 0 0 2 0 0 0 2 1 1 1 1 0 0 1 2 1 2 0](30, 256, 256, 3) [2 1 1 0 0 1 1 0 2 2 2 0 0 0 0 2 1 0 0 2 0 0 2 2 2 1 0 1 0 2](30, 256, 256, 3) [2 0 2 0 1 2 1 2 2 1 0 2 0 0 2 2 2 1 1 1 1 1 0 0 2 0 2 2 0 0]

从结果可以看出，虽然我们提供的图片只有9张。每一类各3张，但是能读取30*30*30张出来，这主要是通过循环读取得到的。也就是说数量上虽然增加了，但实际上也就是那9张图片。

2 不使用TFRecord

TFRecord适合将标签、图片数据等其他相关的数据一起封装到一个对象，然后逐个读取。有时候，我们并不需要标签，只需要对图片读取。那么可以考虑之间从路径队列中读取，而不需要转到TFRecord文件。

直接上代码：

def read_data(dir ):    '''    :param dir: 图片根目录    '''    input_paths = glob.glob(os.path.join(dir, "*.jpg"))    decode = tf.image.decode_jpeg    if len(input_paths) == 0:    #如果不存在jpg图片，则遍历png图片        input_paths = glob.glob(os.path.join(dir, "*.png"))        decode = tf.image.decode_png    if len(input_paths) == 0:    #如果png图片不存在，抛出异常        raise Exception("input_dir contains no image files")    #产生文件路径队列，并且打乱顺序    path_queue = tf.train.string_input_producer(input_paths, shuffle=True)    reader = tf.WholeFileReader()   #创建读取文件对象    paths, contents = reader.read(path_queue) #从队列中读取    img_raw = decode(contents)    # 将图片缩小到256*256，如果在此之前对图片预处理（放缩），那么这一步可省略    img_raw = tf.image.resize_images(img_raw, [256, 256])    img_raw = tf.image.convert_image_dtype(img_raw, dtype=tf.float32)    img_raw.set_shape([256, 256, 3])#设置shape    return img_raw

接下来看看如何使用：

img = read_data("D:/test/*" )img_batch = tf.train.batch([img], batch_size=30)init = tf.initialize_all_variables()with tf.Session() as sess:    sess.run(init)    threads = tf.train.start_queue_runners(sess=sess)    for i in range(3):        imgs = sess.run( img_batch )        print(imgs.shape )

看看运行结果:

(30, 256, 256, 3)(30, 256, 256, 3)(30, 256, 256, 3)