什么是 TFRecord

PS：这段内容摘自 http://wiki.jikexueyuan.com/project/tensorflow-zh/how_tos/reading_data.html

一种保存记录的方法可以允许你讲任意的数据转换为TensorFlow所支持的格式， 这种方法可以使TensorFlow的数据集更容易与网络应用架构相匹配。这种建议的方法就是使用TFRecords文件，TFRecords文件包含了tf.train.Example 协议内存块(protocol buffer)(协议内存块包含了字段 Features)。你可以写一段代码获取你的数据， 将数据填入到Example协议内存块(protocolbuffer)，将协议内存块序列化为一个字符串， 并且通过tf.python_io.TFRecordWriterclass写入到TFRecords文件。tensorflow/g3doc/how_tos/reading_data/convert_to_records.py就是这样的一个例子。

从TFRecords文件中读取数据，
可以使用tf.TFRecordReader的tf.parse_single_example解析器。这个parse_single_example操作可以将Example协议内存块(protocolbuffer)解析为张量。
MNIST的例子就使用了convert_to_records 所构建的数据。
请参看tensorflow/g3doc/how_tos/reading_data/fully_connected_reader.py,

代码

adjust_pic.py

单纯的转换图片大小

[python] view plain copy

1. # -*- coding: utf-8 -*-
2. import tensorflow as tf
3. def resize(img_data, width, high, method=0):
4. return tf.image.resize_images(img_data,[width, high], method)

pic2tfrecords.py

将图片保存成TFRecord

[python] view plain copy

1. # -*- coding: utf-8 -*-
2. # 将图片保存成 TFRecord
3. import os.path
4. import matplotlib.image as mpimg
5. import tensorflow as tf
6. import adjust_pic as ap
7. from PIL import Image
8. SAVE_PATH = ‘data/dataset.tfrecords‘
9. def _int64_feature(value):
10. return tf.train.Feature(int64_list=tf.train.Int64List(value=[value]))
11. def _bytes_feature(value):
12. return tf.train.Feature(bytes_list=tf.train.BytesList(value=[value]))
13. def load_data(datafile, width, high, method=0, save=False):
14. train_list = open(datafile,‘r‘)
15. # 准备一个 writer 用来写 TFRecord 文件
16. writer = tf.python_io.TFRecordWriter(SAVE_PATH)
17. with tf.Session() as sess:
18. for line in train_list:
19. # 获得图片的路径和类型
20. tmp = line.strip().split(‘ ‘)
21. img_path = tmp[0]
22. label = int(tmp[1])
23. # 读取图片
24. image = tf.gfile.FastGFile(img_path, ‘r‘).read()
25. # 解码图片(如果是 png 格式就使用 decode_png)
26. image = tf.image.decode_jpeg(image)
27. # 转换数据类型
28. # 因为为了将图片数据能够保存到 TFRecord 结构体中，所以需要将其图片矩阵转换成 string，所以为了在使用时能够转换回来，这里确定下数据格式为 tf.float32
29. image = tf.image.convert_image_dtype(image, dtype=tf.float32)
30. # 既然都将图片保存成 TFRecord 了，那就先把图片转换成希望的大小吧
31. image = ap.resize(image, width, high)
32. # 执行 op: image
33. image = sess.run(image)
34. # 将其图片矩阵转换成 string
35. image_raw = image.tostring()
36. # 将数据整理成 TFRecord 需要的数据结构
37. example = tf.train.Example(features=tf.train.Features(feature={
38. ‘image_raw‘: _bytes_feature(image_raw),
39. ‘label‘: _int64_feature(label),
40. }))
41. # 写 TFRecord
42. writer.write(example.SerializeToString())
43. writer.close()
44. load_data(‘train_list.txt_bak‘, 224, 224)

tfrecords2data.py

从TFRecord中读取并保存成图片

[python] view plain copy

1. # -*- coding: utf-8 -*-
2. # 从 TFRecord 中读取并保存图片
3. import tensorflow as tf
4. import numpy as np
5. SAVE_PATH = ‘data/dataset.tfrecords‘
6. def load_data(width, high):
7. reader = tf.TFRecordReader()
8. filename_queue = tf.train.string_input_producer([SAVE_PATH])
9. # 从 TFRecord 读取内容并保存到 serialized_example 中
10. _, serialized_example = reader.read(filename_queue)
11. # 读取 serialized_example 的格式
12. features = tf.parse_single_example(
13. serialized_example,
14. features={
15. ‘image_raw‘: tf.FixedLenFeature([], tf.string),
16. ‘label‘: tf.FixedLenFeature([], tf.int64),
17. })
18. # 解析从 serialized_example 读取到的内容
19. images = tf.decode_raw(features[‘image_raw‘], tf.uint8)
20. labels = tf.cast(features[‘label‘], tf.int64)
21. with tf.Session() as sess:
22. # 启动多线程
23. coord = tf.train.Coordinator()
24. threads = tf.train.start_queue_runners(sess=sess, coord=coord)
25. # 因为我这里只有 2 张图片，所以下面循环 2 次
26. for i in range(2):
27. # 获取一张图片和其对应的类型
28. label, image = sess.run([labels, images])
29. # 这里特别说明下：
30. #   因为要想把图片保存成 TFRecord，那就必须先将图片矩阵转换成 string，即：
31. #       pic2tfrecords.py 中 image_raw = image.tostring() 这行
32. #   所以这里需要执行下面这行将 string 转换回来，否则会无法 reshape 成图片矩阵，请看下面的小例子：
33. #       a = np.array([[1, 2], [3, 4]], dtype=np.int64) # 2*2 的矩阵
34. #       b = a.tostring()
35. #       # 下面这行的输出是 32，即： 2*2 之后还要再乘 8
36. #       # 如果 tostring 之后的长度是 2*2=4 的话，那可以将 b 直接 reshape([2, 2])，但现在的长度是 2*2*8 = 32，所以无法直接 reshape
37. #       # 同理如果你的图片是 500*500*3 的话，那 tostring() 之后的长度是 500*500*3 后再乘上一个数
38. #       print len(b)
39. #
40. #   但在网上有很多提供的代码里都没有下面这一行，你们那真的能 reshape ?
41. image = np.fromstring(image, dtype=np.float32)
42. # reshape 成图片矩阵
43. image = tf.reshape(image, [224, 224, 3])
44. # 因为要保存图片，所以将其转换成 uint8
45. image = tf.image.convert_image_dtype(image, dtype=tf.uint8)
46. # 按照 jpeg 格式编码
47. image = tf.image.encode_jpeg(image)
48. # 保存图片
49. with tf.gfile.GFile(‘pic_%d.jpg‘ % label, ‘wb‘) as f:
50. f.write(sess.run(image))
51. load_data(224, 224)

train_list.txt_bak 中的内容如下：

image_1093.jpg 13

image_0805.jpg 10