前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >基于tensorflow的图像处理(一)TFRecord输入数据格式

基于tensorflow的图像处理(一)TFRecord输入数据格式

作者头像
狼啸风云
修改2022-09-04 21:04:04
1.8K0
修改2022-09-04 21:04:04
举报
文章被收录于专栏:计算机视觉理论及其实现

tensorflow提供了一种统一的格式来存储数据,这个格式就是TFRecord,TFRecord文件中的数据都是通过tf.train.Example Protocol Buffer的格式.proto来存储的。以下代码给出了tf.train.Example的定义。

代码语言:javascript
复制
message Example{
  Features features = 1;
}

message Features{
   map<string, Feature> feature = 1;
}

message Feature{
  oneof kind {
    BytesList bytes_list = 1;
    FloatList float_list = 2;
    Int64List int64_list = 3;  
}
};

从以上代码可以看出tf.train.Example的数据结构是比较简单的。tf.train.Example中包含了一个从属性和名称到取值的字典。其中属性名称为一个字符串,属性的取值可以为字符串(ByteList)、实数列表(FloatList)或者整数列表(Int64List)。比如将一张解码前的图像存为一个字符串,图像所对应的类别编号为整数列表。

以下程序给出了如何将MNIST输入数据转化为TFRecord的格式。

代码语言:javascript
复制
import tensorflow as tf
from tensorflow.example.tutorials.mnist import input_data
import numpy as np

# 生成整数型的属性。
def _int64_feature(value):
    return tf.train.Feature(int64_list = tf.train.Int64List(value=[value]))

# 生成字符串的属性。
def _bytes_feature(value):
    return tf.train.Feature(bytes_list = tf.train.BytesList(value=[value]))

mnist = input_data.read_data_sets("/path/to/mnist/data", dtype=tf.uint8, one_hot=Ture)
images = mnist.train.images

# 训练数据所对应的正确答案,可以作为一个属性保存在TFRecord中。
labels = mnist.train.labels

# 训练数据的图像分辨率,这可以作为Example中的一个属性。
pixels = images.shape[1]
num_examples = mnist.train.num_examples

# 输出TFRecord文件的地址
filename = "/path/to/output.tfrecords"
# 创建一个writer来写TFRecord文件
writer = tf.python_io.TFRecordWriter(filename)
for index in range(num_examples):
    # 将图像矩阵转化成一个字符串
    image_raw = images[index].tostring()
    # 将一个样例转化成Example Protocol Buffer,并将所有的信息写入这个数据结构
    example = tf.train.Example(features=tf.train.Features(feature={
        'pixels': _int64_feature(pixels),
        'label': _int64_feature(np.argmax(labels[index])),
        'image_raw': _bytes_feature(image_raw)}))
    
    # 将一个Example写入TFRecord文件
    writer.write(example.SerializeToString())
write.close()

以上程序可以将MNIST数据集中所有的训练数据存储到一个TFRecord文件中。当数据量较大时,也可以将数据写入多个TFRecord文件。Tensorflow对从文件列表中读取数据提供了很好的支持,以下程序给出了如何读取TFRecord文件中的数据。

代码语言:javascript
复制
import tensorflow as tf 


# 创建一个reader来读取TFRecord文件中的样例。
reader = tf.TFRecordReader()
# 创建一个队列来维护输入文件列表
# tf.train.string_input_product函数。
filename_queue = tf.train.string_input_product(["/path/to/output.tfrecords"])


# 从文件中读出一个样例、也可以使用read_up_to函数一次性多个样例。
_, serialized_example = reader.read(filename_queue)


# 解析读入的一个样例,如果需要解析多个样例,可以用parse_example函数
feature = tf.parse_single_example(
     serialized_example,
     feature = {
        # tensorflow提供两种不同的属性解析方法。一种方法是tf.FixedLenFeature,
        # 这种方法解析的结果为一个Tensor。另一种方法是tf.VarLenFeature,这种方法
        # 得到的解析结果为SparseTensor,用于处理稀疏函数。这里解析数据的格式需要和
        # 上面程序写入的数据的格式一致。
        'image_raw': tf.FixedLenFeature([], tf.string),
        'pixels': tf.FixedLenFeature([], tf.int64),
        'labels': tf.FixedLenFearure([], tf.int64),
})


# tf.decode_raw可以将字符串解析成图像对应的像素数组。
image = tf.decode_raw(features['image_raw'], tf.unit8)
label = tf.cast(features['labels'], tf.int32)
pixels = tf.cast(features['pixels'], tf.int32)


sess = tf.Session( )
# 启动多线程处理数据
coord = tf.train.Coordinator( )
threads = tf.train.start_queue_runners(sess=sess, coord=coord)


# 每次运行可以读取TFRecord文件中的一个样例。当所有样例都读完之后,在此样例中程序会再重头读取。
for i in range(10):
   print sess.run([images, labels, pixels])
本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2019年06月28日,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
相关产品与服务
数据保险箱
数据保险箱(Cloud Data Coffer Service,CDCS)为您提供更高安全系数的企业核心数据存储服务。您可以通过自定义过期天数的方法删除数据,避免误删带来的损害,还可以将数据跨地域存储,防止一些不可抗因素导致的数据丢失。数据保险箱支持通过控制台、API 等多样化方式快速简单接入,实现海量数据的存储管理。您可以使用数据保险箱对文件数据进行上传、下载,最终实现数据的安全存储和提取。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档