本人是深度學習的愛好者，最近在參加cv的表情識別訓練，把一些步驟和過程記錄下來

一.什么是TFRecord

對于計算機的內存來說，我們訓練集樣本的數目是巨大的，而且這些文件分散在不同的文件夾中，在存讀取的過程中會耗費大量的時間和硬盤資源，此時就需要我們用TFRecord的儲存格式來幫助存儲數據。

protuBuf

TFRecord使用了名為“Protocol Buffer”二進制數據編碼方案，它一次性只加載一個二進制文件，在訓練數據很多的時候十分方便快捷。并且我們可以對不同的文件夾下的子文件分別生成TFRecord，十分方便。

二.聲明tfRecord

首先我們要生成一個TFRecord形式的實例

writer=tf.python_io.TFRecordWriter(filename)image=Image.open(filename)

然后將圖片轉化為TFRecord存入特征需要的二進制格式，因為人臉訓練表情分為圖像和分類標志兩類，所以分別以bytesList和Int64List的形式存儲到feature參數中（feature是字典格式），最后將其序列化轉換為字符串，寫入TFRecord中。

image_bytes=image.tobytes() features={} features['image']=tf.train.Feature(bytes_list=tf.train.BytesList(value=[image_bytes])) features['label']=tf.train.Feature(int64_list=tf.train.Int64List(value=[int(label_list[i])])) tf_features=tf.train.Features(feature=features) tf_example=tf.train.Example(features=tf_features) tf_serialized=tf_example.SerializeToString() writer.write(tf_serialized) writer.close()

三.對生成的TFRecord文件進行解析

解析函數中首先要對對存入的feature進行分別提取，用tf.FixedLenFeature送入一個字典中

dics={}dics['label']=tf.FixedLenFeature((),dtype=tf.int64,default_value=0)dics['image']=tf.FixedLenFeature((),dtype=tf.string,default_value="")

生成字典后，我們就可以用tf中自帶的parse_single_example提取指定字典中的數據

parsed_example=tf.parse_single_example(serialized=example_proto,features=dics)

對于int64類型的label數據，我們可以直接用parsed_example函數將數據取出，對于圖片，由于我們一開始將其轉換成為了二進制數據的原因，此時我們需要用解碼函數decode_raw將其恢復

image=tf.decode_raw(parsed_example['image'],out_type=tf.uint8) label=parsed_example['label']

四.讀取數據

取出數據以后，我們就可以通過函數來實現數據生成器

dataset=tf.data.TFRecordDataset(filenames=filenames) new_dataset=dataset.map(A)

其中A是我們生成的解析函數名，對于指定生成的dataset生成器，我們可以對其指定batch、prefetch的操作

• shuffle()對生成器進行打亂
• prefetch(1)對生成器進行并行CPU處理，為GPU處理準備數據
• make_one_shot_iterator()獲得生成器迭代器

next_element=iterator.get_next() 獲得下一個迭代器

最后，我們在session中run這個返回的迭代器即可獲得我們想要的輸入圖片和label（由于我們的字典中有兩個key，所以要用list把這兩個迭代器中的元素括起來，分別計算和賦值）

batch_images,batch_labels=sess.run([next_element[0],next_element[1]])

（個人思路記錄，勿噴）

總結

以上是生活随笔為你收集整理的利用Tensorflow中的TFRecord生成与读取图片的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。