<<小白學PyTorch>>

?擴展之tensorflow2.0 | 15 TF2實現一個簡單的服裝分類任務

小白學PyTorch | 14 tensorboardX可視化教程

小白學PyTorch | 13 EfficientNet詳解及PyTorch實現

小白學PyTorch | 12 SENet詳解及PyTorch實現

小白學PyTorch | 11 MobileNet詳解及PyTorch實現

小白學PyTorch | 10 pytorch常見運算詳解

小白學PyTorch | 9 tensor數據結構與存儲結構

小白學PyTorch | 8 實戰之MNIST小試牛刀

小白學PyTorch | 7 最新版本torchvision.transforms常用API翻譯與講解

小白學PyTorch | 6 模型的構建訪問遍歷存儲（附代碼）

小白學PyTorch | 5 torchvision預訓練模型與數據集全覽

小白學PyTorch | 4 構建模型三要素與權重初始化

小白學PyTorch | 3 淺談Dataset和Dataloader

小白學PyTorch | 2 淺談訓練集驗證集和測試集

小白學PyTorch | 1 搭建一個超簡單的網絡

小白學PyTorch | 動態圖與靜態圖的淺顯理解

參考目錄：

• 1 PIL讀取圖片

• 2 TF讀取圖片

• 3 TF構建數據集

本文的代碼已經上傳，在作者公眾號后臺回復【PyTorch】獲取。

1 PIL讀取圖片

想要把一個圖片，轉換成RGB3通道的一個張量，我們怎么做呢？大家第一反應應該是PIL這個庫吧

from?PIL?import?Image import?numpy?as?np image?=?Image.open('./bug1.jpg') image.show()

展示的圖片：

然后我們這個image現在是PIL格式的，我們使用numpy.array()來將其轉換成numpy的張量的形式：

image?=?np.array(image) print(image.shape) >>>(326,?312,?3)

可以看到，這個第三維度是3。對于pytorch而言，數據的第一維度應該是樣本數量，第二維度是通道數，第三四是圖像的寬高，因此PIL讀入的圖片，往往需要把通道數的這個維度移動到第二維度上才能對接上pytorch的形式。（transpose方法來實現這個功能，這里不細說）

2 TF讀取圖片

下面是重點啦，對于tensorflow，tf中自己帶了一個解碼函數，先看一下我的文件目錄：

import?tensorflow?as?tf images?=?tf.io.gfile.glob('./*.jpeg') print(images，type(images)) >?['.\\bug1.jpeg',?'.\\bug2.jpeg']?<class?'list'>

可以看出來：

• 這個tensorflow.io.gfile.glob()是讀取路徑下的所有符合條件的文件，并且把路徑做成一個list返回；

• 這個功能也可以用glob庫函數實現，我記得是glob.glob()方法；

• 這里的bug1和bug2其實是同一張圖片，都是上面的那個小兔子。

image?=?tf.io.read_file('./bug1.jpeg') image?=?tf.image.decode_jpeg(image,channels=3) print(image.shape,type(image)) >?(326,?312,?3)?<class?'tensorflow.python.framework.ops.EagerTensor'>

需要注意的是：

• tf.io.read_file()這個得到的返回值是二進制格式，所以需要下面的tf.image.decode_jpeg進行一個解碼；

• decode_jpeg的第一個參數就是讀取的二進制文件，然后channels是輸出的圖片的通道數，3就是RPB三個通道，如果是1的話，就是灰度圖片，ratio是圖片大小的一個縮小比例，默認是1，可以是2和4，一會看一下ratio=2的情況；

• 這個image的type是一個tensorflow特別的Tensor的形式，而不是pytorch的那種tensor的形式了。

image?=?tf.io.read_file('./bug1.jpeg') image?=?tf.image.decode_jpeg(image,channels=1，ratio=2) print(image.shape,type(image)) >?(163,?156,?1)?<class?'tensorflow.python.framework.ops.EagerTensor'>

寬高都變成了原來的一半，然后通道數是1，都和預想的一樣。使用decode_jpeg等解碼函數得到的結果，是uint8的類型的，簡單地說就是整數，0到255范圍的。在對圖片進行操作的時候，我們需要將其標準化到0到1區間的，因此需要將其轉換成float32類型的。所以對上述代碼進行補充：

image?=?tf.io.read_file('./bug1.jpeg') image?=?tf.image.decode_jpeg(image,channels=1,ratio=2) print(image.shape,type(image)) image?=?tf.image.resize(image,[256,256])?#?統一圖片大小 image?=?tf.cast(image,tf.float32)?#?轉換類型 image?=?image/255?#?歸一化 print(image)

從結果來看，數據類型已經改變：

3 TF構建數據集

下面是dataset更正式的寫法，關于TF2的問題，不要百度！百度到的都是TF1的解答，看的我暈死了，TF的API的結構真是不太友好。。。

def?read_image(path):image?=?tf.io.read_file(path)image?=?tf.image.decode_jpeg(image,?channels=3,?ratio=1)image?=?tf.image.resize(image,?[256,?256])??#?統一圖片大小image?=?tf.cast(image,?tf.float32)??#?轉換類型image?=?image?/?255??#?歸一化return?image images?=?tf.io.gfile.glob('./*.jpeg') dataset?=?tf.data.Dataset.from_tensor_slices(images) AUTOTUNE?=?tf.data.experimental.AUTOTUNE dataset?=?dataset.map(read_image,num_parallel_calls=AUTOTUNE) dataset?=?dataset.shuffle(1).batch(1) for?a?in?dataset.take(2):print(a.shape)

代碼中需要注意的是：

• glob獲取一個文件的list，本次就兩個文件名字，一個bug1.jpeg,一個bug2.jpeg;

• tf.data.Dataset.from_tensor_slices()返回的就是一個tensorflow的dataset類型，可以簡單理解為一個可迭代的list,并且有很多其他方法；

• dataset.map就是用實現定義好的函數，對處理dataset中每一個元素，在上面代碼中是把路徑的字符串變成該路徑讀取的圖片張量，對圖片的預處理應該也在這部分進行吧；

• dataset.shuffle就是亂序，.batch()就是把dataset中的元素組裝batch；

• 在獲取dataset中的元素的時候，TF1中有什么迭代器的定義啊，什么iter，但是TF2不用這些，直接.take(num)就行了，這個num就是從dataset中取出來的batch的數量，也就是循環的次數吧。

• AUTOTUNE = tf.data.experimental.AUTOTUNE 就是根據你的cpu的情況，自動判斷多線程的數量。上面代碼的輸出結果為：

- END -

往期精彩回顧適合初學者入門人工智能的路線及資料下載機器學習及深度學習筆記等資料打印機器學習在線手冊深度學習筆記專輯《統計學習方法》的代碼復現專輯 AI基礎下載機器學習的數學基礎專輯獲取一折本站知識星球優惠券，復制鏈接直接打開：https://t.zsxq.com/662nyZF本站qq群704220115。加入微信群請掃碼進群（如果是博士或者準備讀博士請說明）：

總結

以上是生活随笔為你收集整理的【小白学PyTorch】16.TF2读取图片的方法的全部內容，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。