TensorFlow读取数据

|---a
|   |---1.jpg
|   |---2.jpg
|   |---3.jpg
|
|---b
|   |---1.jpg
|   |---2.jpg
|   |---3.jpg
|
|---c
|   |---1.jpg
|   |---2.jpg
|   |---3.jpg

def build_data(dir,file_str,map_str):
    '''
    :param dir: 根目录，dir下所有子目录名称为label
    :param file_str: 导出的tfrecorde文件
    :param map_str: 数字序号0~n与label映射关系保存路径
    :return:
    '''
    files=os.listdir(dir);
    writer = tf.python_io.TFRecordWriter(file_str)  # 要生成的文件
    # 由于tf.train.Feature只能取float、int和bytes，因此需要将label映射到int，保存到文件
    map_file = open(map_str,'w')
    for index,label in enumerate(files):     #遍历文件夹
        data_dir = os.path.join(dir,label)
        map_file.write(str(index) + ":" + label + "\n")
        for img_name in os.listdir(data_dir):  #遍历图片
            img_path=os.path.join(data_dir,img_name)
            img = Image.open(img_path)         #读取图片
            img = img.resize((256, 256))       #将图片宽高转为256*256
            img_raw=img.tobytes()              #图片转为字节

            example=tf.train.Example(features=tf.train.Features(feature={
                'label': tf.train.Feature(int64_list=tf.train.Int64List(value=[index])),
                'img': tf.train.Feature(bytes_list=tf.train.BytesList(value=[img_raw]))
            }))

            writer.write(example.SerializeToString())  # 序列化为字符串并写入文件
    writer.close()
    map_file.close();

def read_data(file_str):
    # 根据文件名生成一个队列
    file_path_queue = tf.train.string_input_producer([file_str])

    reader = tf.TFRecordReader()
    _, serialized_example = reader.read(file_path_queue)  # 返回文件名和文件
    features = tf.parse_single_example(serialized_example,
                                       features={
                                           'label': tf.FixedLenFeature([], tf.int64),
                                           'img': tf.FixedLenFeature([], tf.string),
                                       })
    label = tf.cast(features['label'], tf.int64)       # 读取label
    img = tf.decode_raw(features['img'], tf.uint8)
    img = tf.reshape(img, [256, 256, 3])               #将维度转为256*256的3通道
    img = tf.cast(img, tf.float32) * (1. / 255) - 0.5  #将图片中的数据转为[-0.5,0.5]

    return img, label

build_data("D:/test","D:/data/tf.tfrecorde","D:/data/map.txt")
img, label =read_data("D:/data/tf.tfrecorde")



#使用shuffle_batch可以随机打乱输入
img_batch, label_batch = tf.train.shuffle_batch([img, label],
                                                batch_size=30, capacity=2000,
                                                min_after_dequeue=1000)
init = tf.initialize_all_variables()

with tf.Session() as sess:
    sess.run(init)
    threads = tf.train.start_queue_runners(sess=sess)
    for i in range(3):
        imgs, labels= sess.run([img_batch, label_batch])
        #我们也可以根据需要对val， l进行处理 
        print(imgs.shape, labels)

(30, 256, 256, 3) [1 2 2 1 1 2 2 1 0 1 0 1 0 0 2 0 0 0 2 1 1 1 1 0 0 1 2 1 2 0]
(30, 256, 256, 3) [2 1 1 0 0 1 1 0 2 2 2 0 0 0 0 2 1 0 0 2 0 0 2 2 2 1 0 1 0 2]
(30, 256, 256, 3) [2 0 2 0 1 2 1 2 2 1 0 2 0 0 2 2 2 1 1 1 1 1 0 0 2 0 2 2 0 0]

def read_data(dir ):
    '''
    :param dir: 图片根目录
    '''
    input_paths = glob.glob(os.path.join(dir, "*.jpg"))
    decode = tf.image.decode_jpeg
    if len(input_paths) == 0:    #如果不存在jpg图片，则遍历png图片
        input_paths = glob.glob(os.path.join(dir, "*.png"))
        decode = tf.image.decode_png
    if len(input_paths) == 0:    #如果png图片不存在，抛出异常
        raise Exception("input_dir contains no image files")

    #产生文件路径队列，并且打乱顺序
    path_queue = tf.train.string_input_producer(input_paths, shuffle=True)
    reader = tf.WholeFileReader()   #创建读取文件对象
    paths, contents = reader.read(path_queue) #从队列中读取
    img_raw = decode(contents)
    # 将图片缩小到256*256，如果在此之前对图片预处理（放缩），那么这一步可省略
    img_raw = tf.image.resize_images(img_raw, [256, 256])
    img_raw = tf.image.convert_image_dtype(img_raw, dtype=tf.float32)
    img_raw.set_shape([256, 256, 3])#设置shape
    return img_raw

img = read_data("D:/test/*" )
img_batch = tf.train.batch([img], batch_size=30)

init = tf.initialize_all_variables()

with tf.Session() as sess:
    sess.run(init)
    threads = tf.train.start_queue_runners(sess=sess)
    for i in range(3):
        imgs = sess.run( img_batch )
        print(imgs.shape )

(30, 256, 256, 3)
(30, 256, 256, 3)
(30, 256, 256, 3)