tensorflow分类任务——TFRecord读取自己制作的数据集_分类任务 tfrecorder

一、TensorFlow的数据读取机制

注意：这个地址是TensorFlow的数据读取机制，如果了解请跳过。

原博客地址：https://zhuanlan.zhihu.com/p/27238630

建议阅读博客：https://blog.csdn.net/pursuit_zhangyu/article/details/80607529

代码地址：https://github.com/hzy46/Deep-Learning-21-Examples/tree/master/chapter_2

1.1关键函数解读

1. 对于文件名队列，我们使用tf.train.string_input_producer函数。这个函数需要传入一个文件名list，系统会自动将它转为一个文件名队列。
2.  reader = tf.TFRecordReader()创建读取
3.  imageBatch, labelBatch = tf.train.shuffle_batch([image, labels], batch_size=batchSize,
                                                       capacity=capacity, min_after_dequeue=min_after_dequeue)打包读取，意思为小批次读取数据
4. threads = tf.train.start_queue_runners(sess=sess, coord=coord)创建会话和多线程，启动读取

二、TFRecord读取数据集 

我的上一篇文章，我采用自己的图片制作了数据集，现在我写一下读取自己制作的数据集。

数据集地址：

链接：https://pan.baidu.com/s/1aIHzKsxUb67sJZAFrGH1ZQ 
提取码：lvjp 

工程地址：

链接：https://pan.baidu.com/s/1XGAA6UQ0JByhvDYQ__my4g 
提取码：dxpn 
 

import numpy as np
import tensorflow as tf
 
batchSize = 15
num_epochs = 20
 
 
def tfRecordRead(fileNameQue, heigh, width, channels, n_class):
    reader = tf.TFRecordReader()
    # 创建一个队列来维护输入文件列表
    # 从文件中读出一个Example
    _, serialized_example = reader.read(fileNameQue)
    # 用FixedLenFeature将读入的Example解析成tensor
    features = tf.parse_single_example(
        serialized_example,
        features={
            'image': tf.FixedLenFeature([], tf.string),
            'label': tf.FixedLenFeature([], tf.int64)
        })
    # 将字符串解析成图像对应的像素数组
    image = tf.decode_raw(features['image'], tf.float32)
    # image = tf.decode_raw(features["image"], tf.uint8)
    image = tf.reshape(image, [heigh, width, channels])
    # image = tf.cast(image, tf.float32) * (1 / 255.0)
    labels = tf.cast(features['label'], tf.int64)
    labels = tf.one_hot(labels, n_class)
    return image, labels
 
 
def tfRecordBatchRead(filename, heigh, width, channels, n_class, batchSize):
    fileNameQue = tf.train.string_input_producer([filename], shuffle=False, num_epochs=num_epochs)
    image, labels = tfRecordRead(fileNameQue, heigh, width, channels, n_class)  # fetch图像和label
    min_after_dequeue = 1000
    capacity = min_after_dequeue + 3 * batchSize
    # 预取图像和label并随机打乱，组成batch，此时tensor rank发生了变化，多了一个batch大小的维度
    imageBatch, labelBatch = tf.train.shuffle_batch([image, labels], batch_size=batchSize,
                                                    capacity=capacity, min_after_dequeue=min_after_dequeue)
    return imageBatch, labelBatch
 
 
filename = r'./record\Imageoutput.tfrecords'
# filename = 'Imageoutput.tfrecords'
 
 
dataset = np.load('testData.npz')
x_test = dataset['test_X'][1:20]
y_test = dataset['test_Y'][1:20]
 
heigh, width, channels, n_class = dataset['height'], dataset['width'], dataset['channels'], dataset['n_class']
print(heigh, width, channels, n_class)
 
imageBatch, labelBatch = tfRecordBatchRead(filename, heigh, width, channels, n_class, batchSize)
# init_op = tf.group(tf.global_variables_initializer(), tf.local_variables_initializer())
 
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    sess.run(tf.local_variables_initializer())
    coord = tf.train.Coordinator()
    threads = tf.train.start_queue_runners(sess=sess, coord=coord)
    for i in range(num_epochs):
        example, label = sess.run([imageBatch, labelBatch])
        print(label)
    coord.request_stop()
    coord.join(threads)

上述代码把label输出了，运行结果如下： 

注意事项：

TFRecord读取数据集的过程中比前面说的TensorFlow数据读取机制多了一步：从TFRecord文件中解析出数据

 features = tf.parse_single_example(
        serialized_example,
        features={
            'image': tf.FixedLenFeature([], tf.string),
            'label': tf.FixedLenFeature([], tf.int64)
        })
    # 将字符串解析成图像对应的像素数组
    image = tf.decode_raw(features['image'], tf.float32)
    # image = tf.decode_raw(features["image"], tf.uint8)
    image = tf.reshape(image, [heigh, width, channels])
    # image = tf.cast(image, tf.float32) * (1 / 255.0)
    labels = tf.cast(features['label'], tf.int64)
    labels = tf.one_hot(labels, n_class)