訓(xùn)練模型時(shí)，我們并不是直接將圖像送入模型，而是先將圖像轉(zhuǎn)換為tfrecord文件，再將tfrecord文件送入模型。為進(jìn)一步理解tfrecord文件，本例先將6幅圖像及其標(biāo)簽轉(zhuǎn)換為tfrecord文件，然后讀取tfrecord文件，重現(xiàn)6幅圖像及其標(biāo)簽。
1、生成tfrecord文件
import os
import numpy as np
import tensorflow as tf
from PIL import Image
filenames = [
'images/cat/1.jpg',
'images/cat/2.jpg',
'images/dog/1.jpg',
'images/dog/2.jpg',
'images/pig/1.jpg',
'images/pig/2.jpg',]
labels = {'cat':0, 'dog':1, 'pig':2}
def int64_feature(values):
if not isinstance(values, (tuple, list)):
values = [values]
return tf.train.Feature(int64_list=tf.train.Int64List(value=values))
def bytes_feature(values):
return tf.train.Feature(bytes_list=tf.train.BytesList(value=[values]))
with tf.Session() as sess:
output_filename = os.path.join('images/train.tfrecords')
with tf.python_io.TFRecordWriter(output_filename) as tfrecord_writer:
for filename in filenames:
#讀取圖像
image_data = Image.open(filename)
#圖像灰度化
image_data = np.array(image_data.convert('L'))
#將圖像轉(zhuǎn)化為bytes
image_data = image_data.tobytes()
#讀取label
label = labels[filename.split('/')[-2]]
#生成protocol數(shù)據(jù)類型
example = tf.train.Example(features=tf.train.Features(feature={'image': bytes_feature(image_data),
'label': int64_feature(label)}))
tfrecord_writer.write(example.SerializeToString())
2、讀取tfrecord文件
import tensorflow as tf
import matplotlib.pyplot as plt
from PIL import Image
# 根據(jù)文件名生成一個(gè)隊(duì)列
filename_queue = tf.train.string_input_producer(['images/train.tfrecords'])
reader = tf.TFRecordReader()
# 返回文件名和文件
_, serialized_example = reader.read(filename_queue)
features = tf.parse_single_example(serialized_example,
features={'image': tf.FixedLenFeature([], tf.string),
'label': tf.FixedLenFeature([], tf.int64)})
# 獲取圖像數(shù)據(jù)
image = tf.decode_raw(features['image'], tf.uint8)
# 恢復(fù)圖像原始尺寸[高，寬]
image = tf.reshape(image, [60, 160])
# 獲取label
label = tf.cast(features['label'], tf.int32)
with tf.Session() as sess:
# 創(chuàng)建一個(gè)協(xié)調(diào)器，管理線程
coord = tf.train.Coordinator()
# 啟動(dòng)QueueRunner, 此時(shí)文件名隊(duì)列已經(jīng)進(jìn)隊(duì)
threads = tf.train.start_queue_runners(sess=sess, coord=coord)
for i in range(6):
image_b, label_b = sess.run([image, label])
img = Image.fromarray(image_b, 'L')
plt.imshow(img)
plt.axis('off')
plt.show()
print(label_b)
# 通知其他線程關(guān)閉
coord.request_stop()
# 其他所有線程關(guān)閉之后，這一函數(shù)才能返回
coord.join(threads)
到此這篇關(guān)于tensorflow學(xué)習(xí)筆記之tfrecord文件的生成與讀取的文章就介紹到這了,更多相關(guān)tfrecord文件的生成與讀取內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
標(biāo)簽：股票 天水 西安 錦州 安慶 隨州 白城 日照
巨人網(wǎng)絡(luò)通訊聲明：本文標(biāo)題《tensorflow學(xué)習(xí)筆記之tfrecord文件的生成與讀取》，本文關(guān)鍵詞 tensorflow,學(xué)習(xí),筆記,之,tfrecord,；如發(fā)現(xiàn)本文內(nèi)容存在版權(quán)問題，煩請(qǐng)?zhí)峁┫嚓P(guān)信息告之我們，我們將及時(shí)溝通與處理。本站內(nèi)容系統(tǒng)采集于網(wǎng)絡(luò)，涉及言論、版權(quán)與本站無關(guān)。
