溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
tensorflow官方提供了3種方法來讀取數據：
預加載數據(preloaded data)：在TensorFlow圖中定義常量或變量來保存所有的數據，適用于數據量不太大的情況。填充數據(feeding)：通過Python產生數據，然后再把數據填充到后端。
從文件讀取數據(reading from file)：從文件中直接讀取，然后通過隊列管理器從文件中讀取數據。
本文主要介紹第三種方法，通過tfrecord文件來保存和讀取數據，對于前兩種讀取數據的方式也會進行一個簡單的介紹。
項目下載github地址：https://github.com/steelOneself/tensorflow_learn/tree/master/tf_records_writer_read
一、預加載數據
a = tf.constant([1,2,3])
b = tf.constant([4,5,6])
c = tf.add(a,b)
with tf.Session() as sess:
print(sess.run(c))#[5 7 9]
這種方式加載數據比較簡單，它是直接將數據嵌入在數據流圖中，當訓練數據較大時，比較消耗內存。
二、填充數據
通過先定義placeholder然后再通過feed_dict來喂養數據，這種方式在TensorFlow中使用的也是比較多的，但是也存在數據量大時比較消耗內存的缺點，下面介紹一種更高效的數據讀取方式，通過tfrecord文件來讀取數據。
x = tf.placeholder(tf.int16)
y = tf.placeholder(tf.int16)
z = tf.add(x,y)
with tf.Session() as sess:
print(sess.run(z,feed_dict={x:[1,2,3],y:[4,5,6]}))
#[5 7 9]
三、從文件讀取數據
通過slim來實現將圖片保存為tfrecord文件和tfrecord文件的讀取，slim是基于TensorFlow的一個更高級別的封裝模型，通過slim來編程可以實現更高效率和更簡潔的代碼。
在本次實驗中使用的數據集是kaggle的dog vs cat，數據集下載地址:https://www.kaggle.com/c/dogs-vs-cats/data
1、tfrecord文件的保存
a、參數設置
dataset_dir_path：訓練集圖片存放的上級目錄(train下還有一個train目錄用來存放圖片)，在dog vs cat數據集中，dog和cat類的區別是依靠圖片的名稱，如果你的數據集通過文件夾的名稱來劃分圖片類標的，可能需要對代碼進行部分修改。
label_name_to_num：字符串類標與數字類標的對應關系，在將圖片保存為tfrecord文件的時候，需要將字符串轉為整數類標0和1，方便后的訓練。
label_num_to_name：數字類標與字符串類標的對應關系。
val_size：驗證集在訓練集中所占的比例，訓練集一共有25000張圖片，用20000張來訓練，5000張來進行驗證。
batch_size：在讀取tfrecord文件的時候，每次讀取圖片的數量。
#數據所在的目錄路徑
dataset_dir_path = "D:/dataset/kaggle/cat_or_dog/train"
#類標名稱和數字的對應關系
label_name_to_num = {"cat":0,"dog":1}
label_num_to_name = {value:key for key,value in label_name_to_num.items()}
#設置驗證集占整個數據集的比例
val_size = 0.2
batch_size = 1
b、獲取訓練集所有的圖片路徑
獲取訓練目錄下所有的dog和cat的圖片路徑，將它們分開保存，便于后面訓練集和驗證集數據的劃分，保證每類圖片在所占的比例相同。
#獲取文件所在路徑
dataset_dir = os.path.join(dataset_dir,split_name)
#遍歷目錄下的所有圖片
for filename in os.listdir(dataset_dir):
#獲取文件的路徑
file_path = os.path.join(dataset_dir,filename)
if file_path.endswith("jpg") and os.path.exists(file_path):
#獲取類別的名稱
label_name = filename.split(".")[0]
if label_name == "cat":
cat_img_paths.append(file_path)
elif label_name == "dog":
dog_img_paths.append(file_path)
return cat_img_paths,dog_img_paths
c、設置需要保存的圖片信息
對于訓練集的圖片主要保存圖片的字節數據、圖片的格式、圖片的標簽、圖片的高和寬，測試集保存為tfrecord文件的時候需要保存圖片的名稱，因為在提交數據的時候需要用到圖片的名稱信息。在保存圖片信息的時候，需要先將這些信息轉換為byte數據才能寫入到tfrecord文件中。
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]))
#將圖片信息轉換為tfrecords可以保存的序列化信息
def image_to_tfexample(split_name,image_data, image_format, height, width, img_info):
'''
:param split_name: train或val或test
:param image_data: 圖片的二進制數據
:param image_format: 圖片的格式
:param height: 圖片的高
:param width: 圖片的寬
:param img_info: 圖片的標簽或圖片的名稱,當split_name為test時,img_info為圖片的名稱否則為圖片標簽
:return:
'''
if split_name == "test":
return tf.train.Example(features=tf.train.Features(feature={
'image/encoded': bytes_feature(image_data),
'image/format': bytes_feature(image_format),
'image/img_name': bytes_feature(img_info),
'image/height': int64_feature(height),
'image/width': int64_feature(width),
}))
else:
return tf.train.Example(features=tf.train.Features(feature={
'image/encoded': bytes_feature(image_data),
'image/format': bytes_feature(image_format),
'image/label': int64_feature(img_info),
'image/height': int64_feature(height),
'image/width': int64_feature(width),
}))
d、保存tfrecord文件
主要是通過TFRecordWriter來保存tfrecord文件，在將圖片信息保存為tfrecord文件的時候，需要先將圖片信息序列化為字符串才能進行寫入。ImageReader類可以將圖片字節數據解碼為指定格式的圖片，獲取圖片的寬和高信息。
_get_dataset_filename函數是通過數據集的名稱和split_name的名稱來組合獲取tfrecord文件的名稱,tfrecord名稱如下:
def _convert_tfrecord_dataset(split_name, filenames, label_name_to_id,
dataset_dir, tfrecord_filename, _NUM_SHARDS):
'''
:param split_name:train或val或test
:param filenames:圖片的路徑列表
:param label_name_to_id:標簽名與數字標簽的對應關系
:param dataset_dir:數據存放的目錄
:param tfrecord_filename:文件保存的前綴名
:param _NUM_SHARDS:將整個數據集分為幾個文件
:return:
'''
assert split_name in ['train', 'val','test']
#計算平均每一個tfrecords文件保存多少張圖片
num_per_shard = int(math.ceil(len(filenames) / float(_NUM_SHARDS)))
with tf.Graph().as_default():
image_reader = ImageReader()
with tf.Session('') as sess:
for shard_id in range(_NUM_SHARDS):
#獲取tfrecord文件的名稱
output_filename = _get_dataset_filename(
dataset_dir, split_name, shard_id,
tfrecord_filename = tfrecord_filename, _NUM_SHARDS = _NUM_SHARDS)
#寫tfrecords文件
with tf.python_io.TFRecordWriter(output_filename) as tfrecord_writer:
start_ndx = shard_id * num_per_shard
end_ndx = min((shard_id+1) * num_per_shard, len(filenames))
for i in range(start_ndx, end_ndx):
#更新控制臺中已經完成的圖片數量
sys.stdout.write('\r>> Converting image %d/%d shard %d' % (
i+1, len(filenames), shard_id))
sys.stdout.flush()
#讀取圖片,將圖片數據讀取為bytes
image_data = tf.gfile.FastGFile(filenames[i], 'rb').read()
#獲取圖片的高和寬
height, width = image_reader.read_image_dims(sess, image_data)
#獲取路徑中的圖片名稱
img_name = os.path.basename(filenames[i])
if split_name == "test":
#需要將圖片名稱轉換為二進制
example = image_to_tfexample(
split_name,image_data, b'jpg', height, width, img_name.encode())
tfrecord_writer.write(example.SerializeToString())
else:
#獲取圖片的類別
class_name = img_name.split(".")[0]
label_id = label_name_to_id[class_name]
example = image_to_tfexample(
split_name,image_data, b'jpg', height, width, label_id)
tfrecord_writer.write(example.SerializeToString())
sys.stdout.write('\n')
sys.stdout.flush()
e、將數據集分為驗證集和訓練集保存為tfrecord文件
先獲取數據集中所有圖片的路徑和圖片的標簽信息，將不同類別的圖片分為訓練集和驗證集，并保證訓練集和驗證集中不同類別的圖片數量保持相同，在保存為tfrecord文件之前，打亂所有圖片的路徑。將訓練集分為了2個tfrecord文件，驗證集保存為1個tfrecord文件。
#生成tfrecord文件
def generate_tfreocrd():
#獲取目錄下所有的貓和狗圖片的路徑
cat_img_paths,dog_img_paths = _get_dateset_imgPaths(dataset_dir_path,"train")
#打亂路徑列表的順序
np.random.shuffle(cat_img_paths)
np.random.shuffle(dog_img_paths)
#計算不同類別驗證集所占的圖片數量
cat_val_num = int(len(cat_img_paths) * val_size)
dog_val_num = int(len(dog_img_paths) * val_size)
#將所有的圖片路徑分為訓練集和驗證集
train_img_paths = cat_img_paths[cat_val_num:]
val_img_paths = cat_img_paths[:cat_val_num]
train_img_paths.extend(dog_img_paths[dog_val_num:])
val_img_paths.extend(dog_img_paths[:dog_val_num])
#打亂訓練集和驗證集的順序
np.random.shuffle(train_img_paths)
np.random.shuffle(val_img_paths)
#將訓練集保存為tfrecord文件
_convert_tfrecord_dataset("train",train_img_paths,label_name_to_num,dataset_dir_path,"catVSdog",2)
#將驗證集保存為tfrecord文件
_convert_tfrecord_dataset("val",val_img_paths,label_name_to_num,dataset_dir_path,"catVSdog",1)
通過控制臺你能夠看到tfrecord文件的保存進度
2、從tfrecord文件中讀取數據
a、讀取tfrecord文件，將數據轉換為dataset
通過TFRecordReader來讀取tfrecord文件，在讀取tfrecord文件時需要通過tf.FixedLenFeature來反序列化存儲的圖片信息，這里我們只讀取圖片數據和圖片的標簽，再通過slim模塊將圖片數據和標簽信息存儲為一個dataset。
#創建一個tfrecord讀文件對象
reader = tf.TFRecordReader
keys_to_feature = {
"image/encoded":tf.FixedLenFeature((),tf.string,default_value=""),
"image/format":tf.FixedLenFeature((),tf.string,default_value="jpg"),
"image/label":tf.FixedLenFeature([],tf.int64,default_value=tf.zeros([],tf.int64))
}
items_to_handles = {
"image":slim.tfexample_decoder.Image(),
"label":slim.tfexample_decoder.Tensor("image/label")
}
items_to_descriptions = {
"image":"a 3-channel RGB image",
"img_name":"a image label"
}
#創建一個tfrecoder解析對象
decoder = slim.tfexample_decoder.TFExampleDecoder(keys_to_feature,items_to_handles)
#讀取所有的tfrecord文件,創建數據集
dataset = slim.dataset.Dataset(
data_sources = tfrecord_paths,
decoder = decoder,
reader = reader,
num_readers = 4,
num_samples = num_imgs,
num_classes = num_classes,
labels_to_name = labels_to_name,
items_to_descriptions = items_to_descriptions
)
b、獲取batch數據
preprocessing_image對圖片進行預處理，對圖片進行數據增強，輸出后的圖片尺寸由height和width參數決定，固定圖片的尺寸方便CNN的模型訓練。
def load_batch(split_name,dataset,batch_size,height,width):
data_provider = slim.dataset_data_provider.DatasetDataProvider(
dataset,
common_queue_capacity = 24 + 3 * batch_size,
common_queue_min = 24
)
raw_image,img_label = data_provider.get(["image","label"])
#Perform the correct preprocessing for this image depending if it is training or evaluating
image = preprocess_image(raw_image, height, width,True)
#As for the raw images, we just do a simple reshape to batch it up
raw_image = tf.expand_dims(raw_image, 0)
raw_image = tf.image.resize_nearest_neighbor(raw_image, [height, width])
raw_image = tf.squeeze(raw_image)
#獲取一個batch數據
images,raw_image,labels = tf.train.batch(
[image,raw_image,img_label],
batch_size=batch_size,
num_threads=4,
capacity=4*batch_size,
allow_smaller_final_batch=True
)
return images,raw_image,labels
c、讀取tfrecord文件
#讀取tfrecord文件
def read_tfrecord():
#從tfreocrd文件中讀取數據
train_dataset = get_dataset_by_tfrecords("train",dataset_dir_path,"catVSdog",2,label_num_to_name)
images,raw_images,labels = load_batch("train",train_dataset,batch_size,227,227)
with tf.Session() as sess:
threads = tf.train.start_queue_runners(sess)
for i in range(6):
train_img,train_label = sess.run([raw_images,labels])
plt.subplot(2,3,i+1)
plt.imshow(np.array(train_img[0]))
plt.title("image label:%s"%str(label_num_to_name[train_label[0]]))
plt.show()
讀取訓練集的tfrecord文件，只從tfrecord文件中獲取了圖片數據和圖片的標簽,images表示的是預處理后的圖片,raw_images表示的是沒有經過預處理的圖片。
以上這篇tensorflow將圖片保存為tfrecord和tfrecord的讀取方式就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支持億速云。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
