Tensorflow(一) TFRecord生成与读取-365永久激活怎么做到的-365bet体坛快讯-365永久激活怎么做到的-365bet-体育投注

TFRecord生成

一、为什么使用TFRecord?

正常情况下我们训练文件夹经常会生成 train, test 或者val文件夹，这些文件夹内部往往会存着成千上万的图片或文本等文件，这些文件被散列存着，这样不仅占用磁盘空间，并且再被一个个读取的时候会非常慢，繁琐。占用大量内存空间（有的大型数据不足以一次性加载）。此时我们TFRecord格式的文件存储形式会很合理的帮我们存储数据。TFRecord内部使用了“Protocol Buffer”二进制数据编码方案，它只占用一个内存块，只需要一次性加载一个二进制文件的方式即可，简单，快速，尤其对大型训练数据很友好。而且当我们的训练数据量比较大的时候，可以将数据分成多个TFRecord文件，来提高处理效率。

二、生成TFRecord简单实现方式

我们可以分成两个部分来介绍如何生成TFRecord，分别是TFRecord生成器以及样本Example模块。

TFRecord生成器

writer = tf.python_io.TFRecordWriter(record_path)

writer.write(tf_example.SerializeToString())

writer.close()

这里面writer就是我们TFrecord生成器。接着我们就可以通过writer.write(tf_example.SerializeToString())来生成我们所要的tfrecord文件了。这里需要注意的是我们TFRecord生成器在写完文件后需要关闭writer.close()。这里tf_example.SerializeToString()是将Example中的map压缩为二进制文件，更好的节省空间。那么tf_example是如何生成的呢？那就是下面所要介绍的样本Example模块了。

Example模块

首先们来看一下Example协议块是什么样子的。

message Example {

Features features = 1;

};

message Features {

map feature = 1;

};

message Feature {

oneof kind {

BytesList bytes_list = 1;

FloatList float_list = 2;

Int64List int64_list = 3;

}

};

我们可以看出上面的tf_example可以写入的数据形式有三种，分别是BytesList, FloatList以及Int64List的类型。那我们如何写一个tf_example呢？下面有一个简单的例子。

def int64_feature(value):

return tf.train.Feature(int64_list=tf.train.Int64List(value=[value]))

def bytes_feature(value):

return tf.train.Feature(bytes_list=tf.train.BytesList(value=[value]))

tf_example = tf.train.Example(

features=tf.train.Features(feature={

'image/encoded': bytes_feature(encoded_jpg),

'image/format': bytes_feature('jpg'.encode()),

'image/class/label': int64_feature(label),

'image/height': int64_feature(height),

'image/width': int64_feature(width)}))

下面我们来好好从外部往内部分解来解释一下上面的内容。

（1）tf.train.Example(features = None) 这里的features是tf.train.Features类型的特征实例。

（2）tf.train.Features(feature = None) 这里的feature是以字典的形式存在，*key：要保存数据的名字 value：要保存的数据，但是格式必须符合tf.train.Feature实例要求。

三、生成TFRecord文件完整代码实例

首先我们需要提供数据集

图片文件夹

通过图片文件夹我们可以知道这里面总共有七种分类图片，类别的名称就是每个文件夹名称，每个类别文件夹存储各自的对应类别的很多图片。下面我们通过一下代码(generate_annotation_json.py和generate_tfrecord.py)生成train.record。

generate_annotation_json.py

# -*- coding: utf-8 -*-

# @Time : 2018/11/22 22:12

# @Author : MaochengHu

# @Email : wojiaohumaocheng@gmail.com

# @File : generate_annotation_json.py

# @Software: PyCharm

import os

import json

def get_annotation_dict(input_folder_path, word2number_dict):

label_dict = {}

father_file_list = os.listdir(input_folder_path)

for father_file in father_file_list:

full_father_file = os.path.join(input_folder_path, father_file)

son_file_list = os.listdir(full_father_file)

for image_name in son_file_list:

label_dict[os.path.join(full_father_file, image_name)] = word2number_dict[father_file]

return label_dict

def save_json(label_dict, json_path):

with open(json_path, 'w') as json_path:

json.dump(label_dict, json_path)

print("label json file has been generated successfully!")

generate_tfrecord.py

# -*- coding: utf-8 -*-

# @Time : 2018/11/23 0:09

# @Author : MaochengHu

# @Email : wojiaohumaocheng@gmail.com

# @File : generate_tfrecord.py

# @Software: PyCharm

import os

import tensorflow as tf

import io

from PIL import Image

from generate_annotation_json import get_annotation_dict

flags = tf.app.flags

flags.DEFINE_string('images_dir',

'/data2/raycloud/jingxiong_datasets/six_classes/images',

'Path to image(directory)')

flags.DEFINE_string('annotation_path',

'/data1/humaoc_file/classify/data/annotations/annotations.json',

'Path to annotation')

flags.DEFINE_string('record_path',

'/data1/humaoc_file/classify/data/train_tfrecord/train.record',

'Path to TFRecord')

FLAGS = flags.FLAGS

def int64_feature(value):

return tf.train.Feature(int64_list=tf.train.Int64List(value=[value]))

def bytes_feature(value):

return tf.train.Feature(bytes_list=tf.train.BytesList(value=[value]))

def process_image_channels(image):

process_flag = False

# process the 4 channels .png

if image.mode == 'RGBA':

r, g, b, a = image.split()

image = Image.merge("RGB", (r,g,b))

process_flag = True

# process the channel image

elif image.mode != 'RGB':

image = image.convert("RGB")

process_flag = True

return image, process_flag

def process_image_reshape(image, resize):

width, height = image.size

if resize is not None:

if width > height:

width = int(width * resize / height)

height = resize

else:

width = resize

height = int(height * resize / width)

image = image.resize((width, height), Image.ANTIALIAS)

return image

def create_tf_example(image_path, label, resize=None):

with tf.gfile.GFile(image_path, 'rb') as fid:

encode_jpg = fid.read()

encode_jpg_io = io.BytesIO(encode_jpg)

image = Image.open(encode_jpg_io)

# process png pic with four channels

image, process_flag = process_image_channels(image)

# reshape image

image = process_image_reshape(image, resize)

if process_flag == True or resize is not None:

bytes_io = io.BytesIO()

image.save(bytes_io, format='JPEG')

encoded_jpg = bytes_io.getvalue()

width, height = image.size

tf_example = tf.train.Example(

features=tf.train.Features(

feature={

'image/encoded': bytes_feature(encode_jpg),

'image/format': bytes_feature(b'jpg'),

'image/class/label': int64_feature(label),

'image/height': int64_feature(height),

'image/width': int64_feature(width)

}

))

return tf_example

def generate_tfrecord(annotation_dict, record_path, resize=None):

num_tf_example = 0

writer = tf.python_io.TFRecordWriter(record_path)

for image_path, label in annotation_dict.items():

if not tf.gfile.GFile(image_path):

print("{} does not exist".format(image_path))

tf_example = create_tf_example(image_path, label, resize)

writer.write(tf_example.SerializeToString())

num_tf_example += 1

if num_tf_example % 100 == 0:

print("Create %d TF_Example" % num_tf_example)

writer.close()

print("{} tf_examples has been created successfully, which are saved in {}".format(num_tf_example, record_path))

def main(_):

word2number_dict = {

"combinations": 0,

"details": 1,

"sizes": 2,

"tags": 3,

"models": 4,

"tileds": 5,

"hangs": 6

}

images_dir = FLAGS.images_dir

#annotation_path = FLAGS.annotation_path

record_path = FLAGS.record_path

annotation_dict = get_annotation_dict(images_dir, word2number_dict)

generate_tfrecord(annotation_dict, record_path)

if __name__ == '__main__':

tf.app.run()

* 这里需要说明的是generate_annotation_json.py是为了得到图片标注的label_dict。通过这个代码块可以获得我们需要的图片标注字典，key是图片具体地址， value是图片的类别，具体实例如下：

{

"/images/hangs/862e67a8-5bd9-41f1-8c6d-876a3cb270df.JPG": 6,

"/images/tags/adc264af-a76b-4477-9573-ac6c435decab.JPG": 3,

"/images/tags/fd231f5a-b42c-43ba-9e9d-4abfbaf38853.JPG": 3,

"/images/hangs/2e47d877-1954-40d6-bfa2-1b8e3952ebf9.jpg": 6,

"/images/tileds/a07beddc-4b39-4865-8ee2-017e6c257e92.png": 5,

"/images/models/642015c8-f29d-4930-b1a9-564f858c40e5.png": 4

}

如何运行代码

（1）首先我们的文件夹构成形式是如下结构，其中images_root是图片根文件夹，combinations, details, sizes, tags, models, tileds, hangs分别存放不同类别的图片文件夹。

-图片.jpg

（2）建立文件夹TFRecord,并将generate_tfrecord.py和generate_annotation_json.py这两个python文件放入文件夹内，需要注意的是我们需要将 generate_tfrecord.py文件中字典word2number_dict换成自己的字典（即key是放不同类别的图片文件夹名称，value是对应的分类number）

word2number_dict = {

"combinations": 0,

"details": 1,

"sizes": 2,

"tags": 3,

"models": 4,

"tileds": 5,

"hangs": 6

}

（3）直接执行代码 python3/python2 ./TFRecord/generate_tfrecord.py --image_dir="images_root地址" --record_path="你想要保存record地址(.record文件全路径)"即可。如下是一个实例:

python3 generate_tfrecord.py --image_dir /images/ --record_path /classify/data/train_tfrecord/train.record

TFRecord读取

上面我们介绍了如何生成TFRecord，现在我们尝试如何通过使用队列读取读取我们的TFRecord。

读取TFRecord可以通过tensorflow两个个重要的函数实现，分别是tf.train.string_input_producer和 tf.TFRecordReader的tf.parse_single_example解析器。如下图

AnimatedFileQueues.gif

四、读取TFRecord的简单实现方式

解析TFRecord有两种解析方式一种是利用tf.parse_single_example, 另一种是通过tf.contrib.slim（* 推荐使用）。

1. 第一种方式（tf.parse_single_example）解析步骤如下：

（1）.第一步，我们将train.record文件读入到队列中，如下所示：

filename_queue = tf.train.string_input_producer([tfrecords_filename])

（2）第二步，我们需要通过TFRecord将生成的队列读入

reader = tf.TFRecordReader()

_, serialized_example = reader.read(filename_queue) #返回文件名和文件

（3）第三步，通过解析器tf.parse_single_example将我们的example解析出来。

第二种方式（tf.contrib.slim）解析步骤如下：

(1) 第一步，我们要设置decoder = slim.tfexample_decoder.TFExampleDecoder(keys_to_features, items_to_handlers), 其中key_to_features这个字典需要和TFrecord文件中定义的字典项匹配，items_to_handlers中的关键字可以是任意值，但是它的handler的初始化参数必须要来自于keys_to_features中的关键字。

(2) 第二步，我们要设定dataset = slim.dataset.Dataset(params), 其中params包括：

a. data_source: 为tfrecord文件地址

b. reader: 一般设置为tf.TFRecordReader阅读器

c. decoder: 为第一步设置的decoder

d. num_samples: 样本数量

e. items_to_description: 对样本及标签的描述

f. num_classes: 分类的数量

(3) 第三步, 我们设置provider = slim.dataset_data_provider.DatasetDataProvider(params), 其中params包括 :

a. dataset: 第二步骤我们生成的数据集

b. num_reader: 并行阅读器数量

c. shuffle: 是否打乱

d. num_epochs：每个数据源被读取的次数，如果设为None数据将会被无限循环的读取

e. common_queue_capacity：读取数据队列的容量，默认为256

f. scope：范围

g. common_queue_min：读取数据队列的最小容量。

(4) 第四步，我们可以通过provider.get得到我们需要的数据了。

3. 对不同图片大小的TFRecord读取并resize成相同大小

reshape_same_size函数来对图片进行resize，这样我们可以对我们的图片进行batch操作了，因为有的神经网络训练需要一个batch一个batch操作，不同大小的图片在组成一个batch的时候会报错，因此我们我通过后期处理可以更好的对图片进行batch操作。

或者直接通过resized_image = tf.squeeze(tf.image.resize_bilinear([image], size=[FLAG.resize_height, FLAG.resize_width]))即可。

五、tf.contrib.slim模块读取TFrecord文件完整代码实例

# -*- coding: utf-8 -*-

# @Time : 2018/12/1 11:06

# @Author : MaochengHu

# @Email : wojiaohumaocheng@gmail.com

# @File : read_tfrecord.py

# @Software: PyCharm

import os

import tensorflow as tf

flags = tf.app.flags

flags.DEFINE_string('tfrecord_path', '/data1/humaoc_file/classify/data/train_tfrecord/train.record', 'path to tfrecord file')

flags.DEFINE_integer('resize_height', 800, 'resize height of image')

flags.DEFINE_integer('resize_width', 800, 'resize width of image')

FLAG = flags.FLAGS

slim = tf.contrib.slim

def print_data(image, resized_image, label, height, width):

with tf.Session() as sess:

init_op = tf.global_variables_initializer()

sess.run(init_op)

coord = tf.train.Coordinator()

threads = tf.train.start_queue_runners(coord=coord)

for i in range(10):

print("______________________image({})___________________".format(i))

print_image, print_resized_image, print_label, print_height, print_width = sess.run([image, resized_image, label, height, width])

print("resized_image shape is: ", print_resized_image.shape)

print("image shape is: ", print_image.shape)

print("image label is: ", print_label)

print("image height is: ", print_height)

print("image width is: ", print_width)

coord.request_stop()

coord.join(threads)

def reshape_same_size(image, output_height, output_width):

"""Resize images by fixed sides.

Args:

image: A 3-D image `Tensor`.

output_height: The height of the image after preprocessing.

output_width: The width of the image after preprocessing.

Returns:

resized_image: A 3-D tensor containing the resized image.

"""

output_height = tf.convert_to_tensor(output_height, dtype=tf.int32)

output_width = tf.convert_to_tensor(output_width, dtype=tf.int32)

image = tf.expand_dims(image, 0)

resized_image = tf.image.resize_nearest_neighbor(

image, [output_height, output_width], align_corners=False)

resized_image = tf.squeeze(resized_image)

return resized_image

def read_tfrecord(tfrecord_path, num_samples=14635, num_classes=7, resize_height=800, resize_width=800):

keys_to_features = {

'image/encoded': tf.FixedLenFeature([], default_value='', dtype=tf.string,),

'image/format': tf.FixedLenFeature([], default_value='jpeg', dtype=tf.string),

'image/class/label': tf.FixedLenFeature([], tf.int64, default_value=0),

'image/height': tf.FixedLenFeature([], tf.int64, default_value=0),

'image/width': tf.FixedLenFeature([], tf.int64, default_value=0)

}

items_to_handlers = {

'image': slim.tfexample_decoder.Image(image_key='image/encoded', format_key='image/format', channels=3),

'label': slim.tfexample_decoder.Tensor('image/class/label', shape=[]),

'height': slim.tfexample_decoder.Tensor('image/height', shape=[]),

'width': slim.tfexample_decoder.Tensor('image/width', shape=[])

}

decoder = slim.tfexample_decoder.TFExampleDecoder(keys_to_features, items_to_handlers)

labels_to_names = None

items_to_descriptions = {

'image': 'An image with shape image_shape.',

'label': 'A single integer between 0 and 9.'}

dataset = slim.dataset.Dataset(

data_sources=tfrecord_path,

reader=tf.TFRecordReader,

decoder=decoder,

num_samples=num_samples,

items_to_descriptions=None,

num_classes=num_classes,

)

provider = slim.dataset_data_provider.DatasetDataProvider(dataset=dataset,

num_readers=3,

shuffle=True,

common_queue_capacity=256,

common_queue_min=128,

seed=None)

image, label, height, width = provider.get(['image', 'label', 'height', 'width'])

resized_image = tf.squeeze(tf.image.resize_bilinear([image], size=[resize_height, resize_width]))

return resized_image, label, image, height, width

def main():

resized_image, label, image, height, width = read_tfrecord(tfrecord_path=FLAG.tfrecord_path,

resize_height=FLAG.resize_height,

resize_width=FLAG.resize_width)

#resized_image = reshape_same_size(image, FLAG.resize_height, FLAG.resize_width)

#resized_image = tf.squeeze(tf.image.resize_bilinear([image], size=[FLAG.resize_height, FLAG.resize_width]))

print_data(image, resized_image, label, height, width)

if __name__ == '__main__':

main()

代码运行方式

python3 read_tfrecord.py --tfrecord_path /data1/humaoc_file/classify/data/train_tfrecord/train.record --resize_height 800 --resize_width 800

最终我们可以看到我们读取文件的部分内容：

______________________image(0)___________________