1、知识点

"""
TFRecords介绍:
TFRecords是Tensorflow设计的一种内置文件格式,是一种二进制文件,它能更好的利用内存,
更方便复制和移动,为了将二进制数据和标签(训练的类别标签)数据存储在同一个文件中 CIFAR-10批处理结果存入tfrecords流程:
1、构造存储器
a)TFRecord存储器API:tf.python_io.TFRecordWriter(path) 写入tfrecords文件
参数:
path: TFRecords文件的路径
return:写文件
方法:
write(record):向文件中写入一个字符串记录
record:字符串为一个序列化的Example,Example.SerializeToString()
close():关闭文件写入器 2、构造每一个样本的Example协议块
a)tf.train.Example(features=None)写入tfrecords文件
features:tf.train.Features类型的特征实例
return:example格式协议块 b)tf.train.Features(feature=None)构建每个样本的信息键值对
feature:字典数据,key为要保存的名字,
value为tf.train.Feature实例
return:Features类型 c)tf.train.Feature(**options)
**options:例如
bytes_list=tf.train.BytesList(value=[Bytes])
int64_list=tf.train.Int64List(value=[Value])
数据类型:
tf.train.Int64List(value=[Value])
tf.train.BytesList(value=[Bytes])
tf.train.FloatList(value=[value]) 3、写入序列化的Example
writer.write(example.SerializeToString()) 报错:
1、ValueError: Protocol message Feature has no "Bytes_list" field.
因为没有Bytes_list属性字段,只有bytes_list字段 读取tfrecords流程:
1、构建文件队列
file_queue = tf.train.string_input_producer([FLAGS.cifar_tfrecords])
2、构造TFRecords阅读器
reader = tf.TFRecordReader()
3、解析Example,获取数据
a) tf.parse_single_example(serialized,features=None,name=None)解析TFRecords的example协议内存块
serialized:标量字符串Tensor,一个序列化的Example
features:dict字典数据,键为读取的名字,值为FixedLenFeature
return:一个键值对组成的字典,键为读取的名字
b)tf.FixedLenFeature(shape,dtype) 类型只能是float32,int64,string
shape:输入数据的形状,一般不指定,为空列表
dtype:输入数据类型,与存储进文件的类型要一致
4、转换格式,bytes解码
image = tf.decode_raw(features["image"],tf.uint8)
#固定图像大小,有利于批处理操作
image_reshape = tf.reshape(image,[self.height,self.width,self.channel])
label = tf.cast(features["label"],tf.int32)
5、批处理
image_batch , label_batch = tf.train.batch([image_reshape,label],batch_size=5,num_threads=1,capacity=20) 报错:
1、ValueError: Shape () must have rank at least 1 """

2、代码

# coding = utf-8
import tensorflow as tf
import os FLAGS = tf.app.flags.FLAGS
tf.app.flags.DEFINE_string("cifar_dir","./cifar10/", "文件的目录")
tf.app.flags.DEFINE_string("cifar_tfrecords", "./tfrecords/cifar.tfrecords", "存进tfrecords的文件")
class CifarRead(object):
"""
完成读取二进制文件,写进tfrecords,读取tfrecords
"""
def __init__(self,file_list):
self.file_list = file_list
#图片属性
self.height = 32
self.width = 32
self.channel = 3 #二进制字节
self.label_bytes = 1
self.image_bytes = self.height*self.width*self.channel
self.bytes = self.label_bytes + self.image_bytes def read_and_encode(self):
"""
读取二进制文件,并进行解码操作
:return:
"""
#1、创建文件队列
file_quque = tf.train.string_input_producer(self.file_list)
#2、创建阅读器,读取二进制文件
reader = tf.FixedLengthRecordReader(self.bytes)
key, value = reader.read(file_quque)#key为文件名,value为文件内容
#3、解码操作
label_image = tf.decode_raw(value,tf.uint8) #分割图片和标签数据, tf.cast(),数据类型转换 tf.slice()tensor数据进行切片
label = tf.cast(tf.slice(label_image, [0], [self.label_bytes]), tf.int32)
image = tf.slice(label_image,[self.label_bytes],[self.image_bytes]) #对图像进行形状改变
image_reshape = tf.reshape(image,[self.height,self.width,self.channel]) # 4、批处理操作
image_batch , label_batch = tf.train.batch([image_reshape,label],batch_size=5,num_threads=1,capacity=20)
print(image_batch,label_batch)
return image_batch,label_batch def write_ro_tfrecords(self,image_batch,label_batch):
"""
将读取的二进制文件写入 tfrecords文件中
:param image_batch: 图像 (32,32,3)
:param label_batch: 标签
:return:
"""
# 1、构造存储器
writer = tf.python_io.TFRecordWriter(FLAGS.cifar_tfrecords) #循环写入
for i in range(5):
image = image_batch[i].eval().tostring()
label = int(label_batch[i].eval()[0])
# 2、构造每一个样本的Example
example = tf.train.Example(features=tf.train.Features(feature={
"image":tf.train.Feature(bytes_list = tf.train.BytesList(value = [image])) ,
"label":tf.train.Feature(int64_list = tf.train.Int64List(value = [label])) ,
})) # 3、写入序列化的Example
writer.write(example.SerializeToString()) #关闭流
writer.close()
return None def read_from_tfrecords(self):
"""
从tfrecords文件读取数据
:return:
"""
#1、构建文件队列
file_queue = tf.train.string_input_producer([FLAGS.cifar_tfrecords])
#2、构造TFRecords阅读器
reader = tf.TFRecordReader()
key , value = reader.read(file_queue)
#3、解析Example
features = tf.parse_single_example(value,features={
"image":tf.FixedLenFeature([],tf.string),
"label":tf.FixedLenFeature([],tf.int64)
})
#4、解码内容, 如果读取的内容格式是string需要解码, 如果是int64,float32不需要解码
image = tf.decode_raw(features["image"],tf.uint8)
#固定图像大小,有利于批处理操作
image_reshape = tf.reshape(image,[self.height,self.width,self.channel])
label = tf.cast(features["label"],tf.int32) #5、批处理
image_batch , label_batch = tf.train.batch([image_reshape,label],batch_size=5,num_threads=1,capacity=20)
return image_batch,label_batch if __name__ == '__main__':
#################二进制文件读取###############
# file_name = os.listdir(FLAGS.cifar_dir)
# file_list = [os.path.join(FLAGS.cifar_dir, file) for file in file_name if file[-3:] == "bin"]
# cf = CifarRead(file_list)
# image_batch, label_batch = cf.read_and_encode()
# with tf.Session() as sess:
# # 创建协调器
# coord = tf.train.Coordinator()
# # 开启线程
# threads = tf.train.start_queue_runners(sess, coord=coord)
#
# print(sess.run([image_batch, label_batch]))
# # 回收线程
# coord.request_stop()
# coord.join(threads)
############################################# #####二进制文件读取,并写入tfrecords文件######
# file_name = os.listdir(FLAGS.cifar_dir)
# file_list = [os.path.join(FLAGS.cifar_dir, file) for file in file_name if file[-3:] == "bin"]
# cf = CifarRead(file_list)
# image_batch, label_batch = cf.read_and_encode()
# with tf.Session() as sess:
# # 创建协调器
# coord = tf.train.Coordinator()
# # 开启线程
# threads = tf.train.start_queue_runners(sess, coord=coord)
# #########保存文件到tfrecords##########
# cf.write_ro_tfrecords(image_batch, label_batch)
# #########保存文件到tfrecords##########
#
# print(sess.run([image_batch, label_batch]))
# # 回收线程
# coord.request_stop()
# coord.join(threads)
############################################## #############从tfrecords文件读取###############
file_name = os.listdir(FLAGS.cifar_dir)
file_list = [os.path.join(FLAGS.cifar_dir, file) for file in file_name if file[-3:] == "bin"]
cf = CifarRead(file_list)
image_batch, label_batch = cf.read_from_tfrecords()
with tf.Session() as sess:
# 创建协调器
coord = tf.train.Coordinator()
# 开启线程
threads = tf.train.start_queue_runners(sess, coord=coord) print(sess.run([image_batch, label_batch]))
# 回收线程
coord.request_stop()
coord.join(threads)
##############################################

tensorflow二进制文件读取与tfrecords文件读取的更多相关文章

  1. JXLS使用方法(文件上传读取)xlsx文件读取

    1.官方文档:http://jxls.sourceforge.net/reference/reader.html 2.demo git地址:https://bitbucket.org/leonate/ ...

  2. TensorFlow中数据读取之tfrecords

    关于Tensorflow读取数据,官网给出了三种方法: 供给数据(Feeding): 在TensorFlow程序运行的每一步, 让Python代码来供给数据. 从文件读取数据: 在TensorFlow ...

  3. 深度学习tensorflow实战笔记(2)图像转换成tfrecords和读取

    1.准备数据 首选将自己的图像数据分类分别放在不同的文件夹下,比如新建data文件夹,data文件夹下分别存放up和low文件夹,up和low文件夹下存放对应的图像数据.也可以把up和low文件夹换成 ...

  4. Tensorflow读写TFRecords文件

    在使用slim之类的tensorflow自带框架的时候一般默认的数据格式就是TFRecords,在训练的时候使用TFRecords中数据的流程如下:使用input pipeline读取tfrecord ...

  5. 安全研究 | Jenkins 任意文件读取漏洞分析

    欢迎大家前往腾讯云+社区,获取更多腾讯海量技术实践干货哦~ 本文由云鼎实验室 发表于云+社区专栏 一.漏洞背景 漏洞编号:CVE-2018-1999002 漏洞等级:高危 Jenkins 7 月 18 ...

  6. node基础:文件系统-文件读取

    node的文件读取主要分为同步读取.异步读取,常用API有fs.readFile.fs.readFileSync.还有诸如更底层的fs.read,以及数据流(stream),后面再总结下咯~ 直接上简 ...

  7. HDFS数据流-剖析文件读取及写入

    HDFS数据流-剖析文件读取及写入 文件读取 1. 客户端通过调用FileSystem对象的open方法来打开希望读取的文件,对于HDFS来说,这个对象是分布式文件系统的一个实例.2. Distrib ...

  8. H5C3--语义标签以及语义标签IE8兼容,表单元素新属性,度量器,自定义属性,dataList,网络监听,文件读取

    HTML5新增标签以及HTML5新增的api     1.H5并不是新的语言,而是html语言的第五次重大修改--版本     2.支持:所有的主流浏览器都支持h5.(chrome,firefox,s ...

  9. 【学习笔记】tensorflow文件读取

    目录 文件读取 文件队列构造 文件阅读器 文件内容解码器 开启线程操作 管道读端批处理 CSV文件读取案例 先看下文件读取以及读取数据处理成张量结果的过程: 一般数据文件格式有文本.excel和图片数 ...

随机推荐

  1. ubuntu16.04下NVIDIA GTX965M显卡驱动PPA安装

    禁用nouveau驱动 Ubuntu系统集成的显卡驱动程序是nouveau,我们需要先将nouveau从linux内核卸载掉才能安装NVIDIA官方驱动.将nouveau添加到黑名单blacklist ...

  2. HH的项链 HYSBZ - 1878 (莫队/ 树状数组)

    HH有一串由各种漂亮的贝壳组成的项链.HH相信不同的贝壳会带来好运,所以每次散步 完后,他都会随意取出一 段贝壳,思考它们所表达的含义.HH不断地收集新的贝壳,因此他的项链变得越来越长.有一天,他突然 ...

  3. Python:用filter函数求素数 (再理解generator)

    目的:更熟悉应用generator. 参考:https://www.liaoxuefeng.com/wiki/1016959663602400/1017404530360000 素数定义: 素数:质数 ...

  4. 使用gpg来加密数据

    一.数据的加密方式 数据加密有三种方式: 1.对称加密(算法有:DES.AES.3DES.)加密和解密使用同一个密钥 2.非对称加密(RSA.DSA.ELGamal等等)一共四把钥匙,用公钥加密数据, ...

  5. AMD 异步模块定义

    1.解决模块加载过慢 2.核心:define函数

  6. 第十一章 前端开发-css

    第十一章 前端开发-css 1.1.0 css介绍 css是指层叠样式表(Cascading Style Sheets),样式定义如何显示html元素,样式通常又会存在于样式表中. css优势: 内容 ...

  7. sysbench简易使用

    sysbench简易使用 由于测试需要,需要用到sysbench这个工具.推荐简便使用. # yum 安装 yum install sysbench 创建数据库 CREATE DATABASE `sb ...

  8. 【agc004e】Salvage Robots

    题目大意 一个n*m的矩阵,矩阵内有一个出口和若干个机器人,每一步操作可以使所有的机器人向任意方向移动一格,如果机器人出了边界就爆炸.求最多可以让多少个机器人走到出口. 解题思路 发现,移动所有机器人 ...

  9. xss跨站攻击原理

    https://www.cnblogs.com/frankltf/p/8975010.html 跨站脚本攻击:通过对网页注入可执行代码且成功地被浏览器执行,达到攻击的目的,一旦攻击成功,它可以获取用户 ...

  10. c语言函数分析

    1.vc6的相关使用 1)常用的快捷键 f7    ->编译 f5    ->运行 f9    ->断点 f10    ->单步执行 f11    ->单步执行,可进入函 ...