tensorflow学习笔记(10) mnist格式数据转换为TFrecords

本程序

(1)mnist的图片转换成TFrecords格式

(2) 读取TFrecords格式

# coding:utf-8
# 将MNIST输入数据转化为TFRecord的格式
# http://blog.csdn.net/u014182497/article/details/74376224
 
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
import numpy as np
from PIL import Image
 
#把传入的value转化为整数型的属性，int64_list对应着 tf.train.Example 的定义
def _int64_feature(value):
    return tf.train.Feature(int64_list=tf.train.Int64List(value=[value]))
 
#把传入的value转化为字符串型的属性，bytes_list对应着 tf.train.Example 的定义
def _bytes_feature(value):
    return tf.train.Feature(bytes_list=tf.train.BytesList(value=[value]))
 
def genmnsit_tfreords():
    #读取MNIST数据
    mnist = input_data.read_data_sets("./mnist_data", dtype=tf.uint8, one_hot=True)
    #训练数据的图像，可以作为一个属性来存储
    images = mnist.train.images
    #训练数据所对应的正确答案，可以作为一个属性来存储
    labels = mnist.train.labels
    #训练数据的图像分辨率，可以作为一个属性来存储
    pixels = images.shape[0]
    #训练数据的个数
    num_examples = mnist.train.num_examples
    #指定要写入TFRecord文件的地址
    filename = "./output.tfrecords"
    #创建一个write来写TFRecord文件
    writer = tf.python_io.TFRecordWriter(filename)
    for index in range(num_examples):
        #把图像矩阵转化为字符串
        image_raw = images[index].tostring()
        #将一个样例转化为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 Example 写入TFRecord文件
        writer.write(example.SerializeToString())
 
    writer.close()
 
#读取TFRecord文件中的数据
def read_tfrecords():
    #创建一个reader来读取TFRecord文件中的样例
    reader = tf.TFRecordReader()
    #通过 tf.train.string_input_producer 创建输入队列
    filename_queue = tf.train.string_input_producer(["./output.tfrecords"])
    #从文件中读取一个样例
    _, serialized_example = reader.read(filename_queue)
    #解析读入的一个样例
    features = tf.parse_single_example(
        serialized_example,
        features={
            #这里解析数据的格式需要和上面程序写入数据的格式一致
            'image_raw': tf.FixedLenFeature([], tf.string),
            'label': tf.FixedLenFeature([], tf.int64),
        })
    #tf.decode_raw可以将字符串解析成图像对应的像素数组
    images = tf.decode_raw(features['image_raw'], tf.uint8)
    images = tf.reshape(images, [28, 28, 1])
    #tf.cast可以将传入的数据转化为想要改成的数据类型
    labels = tf.cast(features['label'], tf.int32)
 
    sess = tf.Session()
    #启动多线程处理输入数据
    coord = tf.train.Coordinator()
    threads = tf.train.start_queue_runners(sess=sess, coord=coord)
 
    num_preprocess_threads = 1
    batch_size = 1
    min_queue_examples = 50
    images_batch, label_batch = tf.train.shuffle_batch(
        [images, labels],
        batch_size=batch_size,
        num_threads=num_preprocess_threads,
        capacity=min_queue_examples + 3 * batch_size,
        min_after_dequeue=min_queue_examples)
 
    image = tf.reshape(images_batch, [28, 28])
    with tf.Session() as sess:
        init = tf.global_variables_initializer()
        sess.run(init)
        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，再次样例中的程序会重头读取
        for i in range(5):
            data, label = sess.run([image, label_batch])
            result = Image.fromarray(data)
            result.save(str(i) + '.png')
            pass
        pass
        coord.request_stop()
        coord.join(threads)
if __name__ == '__main__':
    genmnsit_tfreords()
    read_tfrecords()