利用tensorflow训练自己的图片数据（1）——预处理

一. 准备原始数据

首先，我们需要准备训练的原始数据，本次训练为图像分类识别，因而一开始，笔者从网上随机的下载了Dog的四种类别：husky，jiwawa，poodle，qiutian。每种类别30种，一共120张图片。在训练之前，需要做的就是进行图像的预处理，即将这些大小不一的原始图片转换成我们训练需要的shape。

下载的原始图片分别放到同一文件的不同文件夹下，如：

二. 编程实现

该部分包括：制作Tfrecords，读取Tfrecords数据获得iamge和label，打印验证并保存生成的图片。

[python] view plain copy

1. #将原始图片转换成需要的大小，并将其保存  
2. #========================================================================================  
3. import os    
4. import tensorflow as tf    
5. from PIL import Image    
6.     
7. #原始图片的存储位置  
8. orig_picture = 'E:/train_test/train_data/generate_sample/'  
9.   
10. #生成图片的存储位置  
11. gen_picture = 'E:/Re_train/image_data/inputdata/'  
12.   
13. #需要的识别类型  
14. classes = {'husky','jiwawa','poodle','qiutian'}   
15.   
16. #样本总数  
17. num_samples = 120   
18.      
19. #制作TFRecords数据    
20. def create_record():    
21.     writer = tf.python_io.TFRecordWriter("dog_train.tfrecords")    
22.     for index, name in enumerate(classes):    
23.         class_path = orig_picture +"/"+ name+"/"    
24.         for img_name in os.listdir(class_path):    
25.             img_path = class_path + img_name    
26.             img = Image.open(img_path)    
27.             img = img.resize((64, 64))    #设置需要转换的图片大小  
28.             img_raw = img.tobytes()      #将图片转化为原生bytes    
29.             print (index,img_raw)    
30.             example = tf.train.Example(    
31.                features=tf.train.Features(feature={    
32.                     "label": tf.train.Feature(int64_list=tf.train.Int64List(value=[index])),    
33.                     'img_raw': tf.train.Feature(bytes_list=tf.train.BytesList(value=[img_raw]))    
34.                }))    
35.             writer.write(example.SerializeToString())    
36.     writer.close()    
37.       
38. #=======================================================================================  
39. def read_and_decode(filename):    
40.     # 创建文件队列,不限读取的数量    
41.     filename_queue = tf.train.string_input_producer([filename])    
42.     # create a reader from file queue    
43.     reader = tf.TFRecordReader()    
44.     # reader从文件队列中读入一个序列化的样本    
45.     _, serialized_example = reader.read(filename_queue)    
46.     # get feature from serialized example    
47.     # 解析符号化的样本    
48.     features = tf.parse_single_example(    
49.         serialized_example,    
50.         features={    
51.             'label': tf.FixedLenFeature([], tf.int64),    
52.             'img_raw': tf.FixedLenFeature([], tf.string)    
53.         })    
54.     label = features['label']    
55.     img = features['img_raw']    
56.     img = tf.decode_raw(img, tf.uint8)    
57.     img = tf.reshape(img, [64, 64, 3])    
58.     #img = tf.cast(img, tf.float32) * (1. / 255) - 0.5    
59.     label = tf.cast(label, tf.int32)    
60.     return img, label    
61.   
62. #=======================================================================================  
63. if __name__ == '__main__':    
64.     create_record()    
65.     batch = read_and_decode('dog_train.tfrecords')    
66.     init_op = tf.group(tf.global_variables_initializer(), tf.local_variables_initializer())    
67.         
68.     with tf.Session() as sess: #开始一个会话      
69.         sess.run(init_op)      
70.         coord=tf.train.Coordinator()      
71.         threads= tf.train.start_queue_runners(coord=coord)    
72.           
73.         for i in range(num_samples):      
74.             example, lab = sess.run(batch)#在会话中取出image和label      
75.             img=Image.fromarray(example, 'RGB')#这里Image是之前提到的   
76.             img.save(gen_picture+'/'+str(i)+'samples'+str(lab)+'.jpg')#存下图片;注意cwd后边加上‘/’      
77.             print(example, lab)      
78.         coord.request_stop()      
79.         coord.join(threads)     
80.         sess.close()    
81.           
82. #========================================================================================    

运行程序，得到的结果都保存在gen_picture文件中。一方面，我们可以通过生成图片的命名，验证label是否与图片对应；另一方面，我们将生成的120张图片按照图片命名中的label，分别放到四个不同的文件夹下，作为后续操作的inputdata数据，如下：

此处生成的四类图片husky，jiwawa，poodle，qiutian；其shape = 64 x 64，大小一致，一共120张