tensorflow数据加载之TFRecord

短命女 2022-02-25 04:47 288阅读 0赞

话不多说，干就完了。

--------------------

**TFRecord是什么？**

TFRecord是tensorflow中定义的一种数据格式，这种格式的数据在模型训练中方便将数据喂给模型。在初学tensorflow时肯定都实验过tensorflow中自带的mnist手写数字识别的例子，在那个例子中需要下载一个mnist二进制的数据集，那个数据集是经过处理的二进制文件，我们可以直接使用，并不需要关心图像数据的加载、预处理等操作。也就是说在mnist这个例子中，我们直接跳过接触原始数据的机会，仅仅关心网络模型的训练。但是在实际项目中却没有这样现成的数据文件。TFRecord就是这样一种将原始图像数据保存为二进制数据文件的数据格式，只有将原始图像数据转换为二进制的数据（可以简单理解为矩阵）才能被模型使用。

**TFRecord的数据存储结构：**

TFRecord文件由Example、Features、Feature组成，结构如下：

message Example {
     Features features = 1;
    };
    
    message Features{
     map<string,Feature> featrue = 1;
    };
    
    message Feature{
        oneof kind{
            BytesList bytes_list = 1;
            FloatList float_list = 2;
            Int64List int64_list = 3;
        }
    };

**TFRecord使用流程：**

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2N4eDY1NA_size_16_color_FFFFFF_t_70][]

**原始图像生成TFRecord数据文件：**

图像数据格式如下：

![20190331212005618.png][]

生成TFRecordwenj文件：

def save_to_tfrecord():
        def _int64_feature(value):
            return tf.train.Feature(int64_list=tf.train.Int64List(value=[value]))
    
        def _bytes_feature(value):
            return tf.train.Feature(bytes_list=tf.train.BytesList(value=[value]))
    
        dataset_path = os.path.join(".", "dataset")
        tfrecord_file_name = os.path.join(".", "tfrecords_files", "cat_and_dog_datasets.tfrecord")
    
        tfrecord_writer = tf.python_io.TFRecordWriter(path=tfrecord_file_name)
        for root, dirs, files in os.walk(dataset_path):
            if len(dirs) == 0:
                cls_name = os.path.split(root)[-1]
                for image_name in files:
                    image_path = os.path.join(root, image_name)
                    img = cv2.imread(filename=image_path)
                    if img.ndim == 3:
                        img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
                        img = cv2.resize(img, (224, 224))
                        img_pixels = img.shape[0] * img.shape[1]
    
                        img_raw = img.tostring()
                        print(img_pixels)
                        img_example = tf.train.Example(
                            features=tf.train.Features(
                                feature={
                                    "pixels": _int64_feature(img_pixels),
                                    "labels": _bytes_feature(cls_name.encode("utf8")),
                                    "image_raw": _bytes_feature(img_raw)
                                }
                            )
                        )
                        tfrecord_writer.write(img_example.SerializeToString())
        tfrecord_writer.close()

加载TFRecord数据文件：

def load_from_tfrecord():
        tfrecord_reader = tf.TFRecordReader()
        tfrecord_file_name = ["tfrecords_files/cat_and_dog_datasets.tfrecord"]
    
        tfrecord_file_queue = tf.train.string_input_producer(
            string_tensor=tfrecord_file_name,
            shuffle=True,
            num_epochs=200
        )
    
        _, serialized_example = tfrecord_reader.read(queue=tfrecord_file_queue)
    
        features = tf.parse_single_example(
            serialized=serialized_example,
            features={
                "pixels": tf.FixedLenFeature(shape=[], dtype=tf.int64),
                "labels": tf.FixedLenFeature(shape=[], dtype=tf.string),
                "image_raw": tf.FixedLenFeature(shape=[], dtype=tf.string)
            }
        )
    
        pixels = tf.cast(features["pixels"], tf.int64)
        labels = tf.cast(features["labels"], tf.string)
        img_raw = tf.decode_raw(bytes=features["image_raw"], out_type=tf.uint8)
    
        init_op = [tf.local_variables_initializer(), tf.global_variables_initializer()]
        sess.run(init_op)
    
        # 这两行代码至关重要，表示使用协程启动数据加载线程
        coord = tf.train.Coordinator()
        threads = tf.train.start_queue_runners(coord=coord)
    
        for i in range(4):
            print(i * "#####")
            img_pixels, img_labels, img = sess.run([pixels, labels, img_raw])
            print("img pixels -> %s" % img_pixels)
            print("img labels -> %s" % img_labels)
            print("img matrix -> %s" % img.shape)
    
            plt.imshow(img.reshape((224, 224, 3)))
            plt.show()

参考：[https://blog.csdn.net/zxyhhjs2017/article/details/82556746][https_blog.csdn.net_zxyhhjs2017_article_details_82556746]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2N4eDY1NA_size_16_color_FFFFFF_t_70]: /images/20220225/71362b3cda234b8b8bfb9cb54d96d4f4.png
[20190331212005618.png]: /images/20220225/5e8295a72c0b4e10848eda5603edafb2.png
[https_blog.csdn.net_zxyhhjs2017_article_details_82556746]: https://blog.csdn.net/zxyhhjs2017/article/details/82556746