在使用TensorFlow訓練神經網路時，首先面臨的問題是：網路的輸入

此篇文章，教大家將自己的資料集製作成TFRecord格式，feed進網路，除了TFRecord格式，TensorFlow也支援其他格

式的資料，此處就不再介紹了。建議大家使用TFRecord格式，在後面可以通過api進行多執行緒的讀取檔案佇列。

1. 原本的資料集

此時，我有兩類圖片，分別是xiansu100,xiansu60,每一類中有10張圖片。

2.製作成TFRecord格式

tfrecord會根據你選擇輸入檔案的類，自動給每一類打上同樣的標籤。如在本例中，只有0,1 兩類，想知道資料夾名與label關係的，可以自己儲存起來。

#生成整數型的屬性
def _int64_feature(value):
 return tf.train.Feature(int64_list = tf.train.Int64List(value = [value]))
 
#生成字串型別的屬性
def _bytes_feature(value):
 return tf.train.Feature(bytes_list = tf.train.BytesList(value = [value]))
 
#製作TFRecord格式
def createTFRecord(filename,mapfile):
 class_map = {}
 data_dir = '/home/wc/DataSet/traffic/testTFRecord/'
 classes = {'xiansu60','xiansu100'}
 #輸出TFRecord檔案的地址
 
 writer = tf.python_io.TFRecordWriter(filename)
 
 for index,name in enumerate(classes):
  class_path=data_dir+name+'/'
  class_map[index] = name
  for img_name in os.listdir(class_path):
   img_path = class_path + img_name #每個圖片的地址
   img = Image.open(img_path)
   img= img.resize((224,224))
   img_raw = img.tobytes()   #將圖片轉化成二進位制格式
   example = tf.train.Example(features = tf.train.Features(feature = {
    'label':_int64_feature(index),'image_raw': _bytes_feature(img_raw)
   }))
   writer.write(example.SerializeToString())
 writer.close()
 
 txtfile = open(mapfile,'w+')
 for key in class_map.keys():
  txtfile.writelines(str(key)+":"+class_map[key]+"\n")
 txtfile.close()

此段程式碼，執行完後會產生生成的.tfrecord檔案。

3. 讀取TFRecord的資料，進行解析，此時使用了檔案佇列以及多執行緒

#讀取train.tfrecord中的資料
def read_and_decode(filename): 
 #建立一個reader來讀取TFRecord檔案中的樣例
 reader = tf.TFRecordReader()
 #建立一個佇列來維護輸入檔案列表
 filename_queue = tf.train.string_input_producer([filename],shuffle=False,num_epochs = 1)
 #從檔案中讀出一個樣例，也可以使用read_up_to一次讀取多個樣例
 _,serialized_example = reader.read(filename_queue)
#  print _,serialized_example
 
 #解析讀入的一個樣例，如果需要解析多個，可以用parse_example
 features = tf.parse_single_example(
 serialized_example,features = {'label':tf.FixedLenFeature([],tf.int64),'image_raw': tf.FixedLenFeature([],tf.string),})
 #將字串解析成影象對應的畫素陣列
 img = tf.decode_raw(features['image_raw'],tf.uint8)
 img = tf.reshape(img,[224,224,3]) #reshape為128*128*3通道圖片
 img = tf.image.per_image_standardization(img)
 labels = tf.cast(features['label'],tf.int32)
 return img,labels

4. 將圖片幾個一打包，形成batch

def createBatch(filename,batchsize):
 images,labels = read_and_decode(filename)
 
 min_after_dequeue = 10
 capacity = min_after_dequeue + 3 * batchsize
 
 image_batch,label_batch = tf.train.shuffle_batch([images,labels],batch_size=batchsize,capacity=capacity,min_after_dequeue=min_after_dequeue
              )
 
 label_batch = tf.one_hot(label_batch,depth=2)
 return image_batch,label_batch

5.主函式

if __name__ =="__main__":
 #訓練圖片兩張為一個batch,進行訓練，測試圖片一起進行測試
 mapfile = "/home/wc/DataSet/traffic/testTFRecord/classmap.txt"
 train_filename = "/home/wc/DataSet/traffic/testTFRecord/train.tfrecords"
#  createTFRecord(train_filename,mapfile)
 test_filename = "/home/wc/DataSet/traffic/testTFRecord/test.tfrecords"
#  createTFRecord(test_filename,mapfile)
 image_batch,label_batch = createBatch(filename = train_filename,batchsize = 2)
 test_images,test_labels = createBatch(filename = test_filename,batchsize = 20)
 with tf.Session() as sess:
  initop = tf.group(tf.global_variables_initializer(),tf.local_variables_initializer())
  sess.run(initop)
  coord = tf.train.Coordinator()
  threads = tf.train.start_queue_runners(sess = sess,coord = coord)
 
  try:
   step = 0
   while 1:
    _image_batch,_label_batch = sess.run([image_batch,label_batch])
    step += 1
    print step
    print (_label_batch)
  except tf.errors.OutOfRangeError:
   print (" trainData done!")
   
  try:
   step = 0
   while 1:
    _test_images,_test_labels = sess.run([test_images,test_labels])
    step += 1
    print step
 #     print _image_batch.shape
    print (_test_labels)
  except tf.errors.OutOfRangeError:
   print (" TEST done!")
  coord.request_stop()
  coord.join(threads)

此時，生成的batch，就可以feed進網路了。

以上這篇將自己的資料集製作成TFRecord格式教程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，也希望大家多多支援我們。