学习前言
前一段时间对SSD预测与训练的整体框架有了一定的了解，但是对其中很多细节还是把握的不清楚。今天我决定好好了解以下tfrecords文件的构造。
tfrecords格式是什么
tfrecords是一种二进制编码的文件格式，tensorflow专用。能将任意数据转换为tfrecords。更好的利用内存，更方便复制和移动，并且不需要单独的标签文件。
之所以使用到tfrecords格式是因为当今数据爆炸的情况下，使用普通的数据格式不仅麻烦，而且速度慢，这种专门为tensorflow定制的数据格式可以大大增快数据的读取，而且将所有内容规整，在保证速度的情况下，使得数据更加简单明晰。
tfrecords的写入
这个例子将会讲述如何将MNIST数据集写入到tfrecords，本次用到的MNIST数据集会利用tensorflow原有的库进行导入。
|
1
2
3
|
from tensorflow.examples.tutorials.mnist import input_data# 读取MNIST数据集mnist = input_data.read_data_sets('./MNIST_data', dtype=tf.float32, one_hot=True) |
对于MNIST数据集而言，其中的训练集是mnist.train，而它的数据可以分为images和labels，可通过如下方式获得。
|
1
2
3
4
5
6
|
# 获得image，shape为(55000,784)images = mnist.train.images# 获得label，shape为(55000,10)labels = mnist.train.labels# 获得一共具有多少张图片num_examples = mnist.train.num_examples |
接下来定义存储TFRecord文件的地址，同时创建一个writer来写TFRecord文件。
|
1
2
3
4
|
# 存储TFRecord文件的地址filename = 'record/output.tfrecords'# 创建一个writer来写TFRecord文件writer = tf.python_io.TFRecordWriter(filename) |
此时便可以按照一定的格式写入了，此时需要对每一张图片进行循环并写入，在tf.train.Features中利用features字典定义了数据保存的方式。以image_raw为例，其经过函数_float_feature处理后，存储到tfrecords文件的’image/encoded’位置上。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
# 将每张图片都转为一个Example，并写入for i in range(num_examples): image_raw = images[i] # 读取每一幅图像 image_string = images[i].tostring() example = tf.train.Example( features=tf.train.Features( feature={ 'image/class/label': _int64_feature(np.argmax(labels[i])), 'image/encoded': _float_feature(image_raw), 'image/encoded_tostring': _bytes_feature(image_string) } ) ) print(i,"/",num_examples) writer.write(example.SerializeToString()) # 将Example写入TFRecord文件 |
在最终存入前，数据还需要经过处理，处理方式如下：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
# 生成整数的属性def _int64_feature(value): if not isinstance(value,list) and not isinstance(value,np.ndarray): value = [value] return tf.train.Feature(int64_list=tf.train.Int64List(value=value))# 生成浮点数的属性def _float_feature(value): if not isinstance(value,list) and not isinstance(value,np.ndarray): value = [value] return tf.train.Feature(float_list=tf.train.FloatList(value=value))# 生成字符串型的属性def _bytes_feature(value): if not isinstance(value,list) and not isinstance(value,np.ndarray): value = [value] return tf.train.Feature(bytes_list=tf.train.BytesList(value=value)) |
tfrecords的读取
tfrecords的读取首先要创建一个reader来读取TFRecord文件中的Example。
|
1
2
|
# 创建一个reader来读取TFRecord文件中的Examplereader = tf.TFRecordReader() |
再创建一个队列来维护输入文件列表。
|
1
2
|
# 创建一个队列来维护输入文件列表filename_queue = tf.train.string_input_producer(['record/output.tfrecords']) |
利用reader读取输入文件列表队列，并用parse_single_example将读入的Example解析成tensor
|
1
2
3
4
5
6
7
8
9
10
11
|
# 从文件中读出一个Example_, serialized_example = reader.read(filename_queue)# 用parse_single_example将读入的Example解析成tensorfeatures = tf.parse_single_example( serialized_example, features={ 'image/class/label': tf.FixedLenFeature([], tf.int64), 'image/encoded': tf.FixedLenFeature([784], tf.float32, default_value=tf.zeros([784], dtype=tf.float32)), 'image/encoded_tostring': tf.FixedLenFeature([], tf.string) }) |
此时我们得到了一个features，实际上它是一个类似于字典的东西，我们额可以通过字典的方式读取它内部的内容，而字典的索引就是我们再写入tfrecord文件时所用的feature。
|
1
2
3
4
|
# 将字符串解析成图像对应的像素数组labels = tf.cast(features['image/class/label'], tf.int32)images = tf.cast(features['image/encoded'], tf.float32)images_tostrings = tf.decode_raw(features['image/encoded_tostring'], tf.float32) |
最后利用一个循环输出：
|
1
2
3
4
5
6
7
8
|
# 每次运行读取一个Example。当所有样例读取完之后，在此样例中程序会重头读取for i in range(5): label, image = sess.run([labels, images]) images_tostring = sess.run(images_tostrings) print(np.shape(image)) print(np.shape(images_tostring)) print(label) print("#########################") |
测试代码
1、tfrecords文件的写入
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
|
import numpy as npimport tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_data# 生成整数的属性def _int64_feature(value): if not isinstance(value,list) and not isinstance(value,np.ndarray): value = [value] return tf.train.Feature(int64_list=tf.train.Int64List(value=value))# 生成浮点数的属性def _float_feature(value): if not isinstance(value,list) and not isinstance(value,np.ndarray): value = [value] return tf.train.Feature(float_list=tf.train.FloatList(value=value))# 生成字符串型的属性def _bytes_feature(value): if not isinstance(value,list) and not isinstance(value,np.ndarray): value = [value] return tf.train.Feature(bytes_list=tf.train.BytesList(value=value))# 读取MNIST数据集mnist = input_data.read_data_sets('./MNIST_data', dtype=tf.float32, one_hot=True)# 获得image，shape为(55000,784)images = mnist.train.images# 获得label，shape为(55000,10)labels = mnist.train.labels# 获得一共具有多少张图片num_examples = mnist.train.num_examples# 存储TFRecord文件的地址filename = 'record/Mnist_Out.tfrecords'# 创建一个writer来写TFRecord文件writer = tf.python_io.TFRecordWriter(filename)# 将每张图片都转为一个Example，并写入for i in range(num_examples): image_raw = images[i] # 读取每一幅图像 image_string = images[i].tostring() example = tf.train.Example( features=tf.train.Features( feature={ 'image/class/label': _int64_feature(np.argmax(labels[i])), 'image/encoded': _float_feature(image_raw), 'image/encoded_tostring': _bytes_feature(image_string) } ) ) print(i,"/",num_examples) writer.write(example.SerializeToString()) # 将Example写入TFRecord文件print('data processing success')writer.close() |
运行结果为：
……
54993 / 55000
54994 / 55000
54995 / 55000
54996 / 55000
54997 / 55000
54998 / 55000
54999 / 55000
data processing success
2、tfrecords文件的读取
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
|
import tensorflow as tfimport numpy as np# 创建一个reader来读取TFRecord文件中的Examplereader = tf.TFRecordReader()# 创建一个队列来维护输入文件列表filename_queue = tf.train.string_input_producer(['record/Mnist_Out.tfrecords'])# 从文件中读出一个Example_, serialized_example = reader.read(filename_queue)# 用parse_single_example将读入的Example解析成tensorfeatures = tf.parse_single_example( serialized_example, features={ 'image/class/label': tf.FixedLenFeature([], tf.int64), 'image/encoded': tf.FixedLenFeature([784], tf.float32, default_value=tf.zeros([784], dtype=tf.float32)), 'image/encoded_tostring': tf.FixedLenFeature([], tf.string) })# 将字符串解析成图像对应的像素数组labels = tf.cast(features['image/class/label'], tf.int32)images = tf.cast(features['image/encoded'], tf.float32)images_tostrings = tf.decode_raw(features['image/encoded_tostring'], tf.float32)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)# 每次运行读取一个Example。当所有样例读取完之后，在此样例中程序会重头读取for i in range(5): label, image = sess.run([labels, images]) images_tostring = sess.run(images_tostrings) print(np.shape(image)) print(np.shape(images_tostring)) print(label) print("#########################") |
运行结果为：
#########################
(784,)
(784,)
7
#########################
#########################
(784,)
(784,)
4
#########################
#########################
(784,)
(784,)
1
#########################
#########################
(784,)
(784,)
1
#########################
#########################
(784,)
(784,)
9
#########################
以上就是python神经网络tfrecords文件的写入读取及内容解析的详细内容，更多关于python神经网络tfrecords写入读取的资料请关注服务器之家其它相关文章！
原文链接：https://blog.csdn.net/weixin_44791964/article/details/102566358
