概述

最新上傳的mcnn中有完整的數(shù)據(jù)讀寫(xiě)示例，可以參考。

關(guān)于Tensorflow讀取數(shù)據(jù)，官網(wǎng)給出了三種方法：

1. 供給數(shù)據(jù)(Feeding)： 在TensorFlow程序運(yùn)行的每一步， 讓Python代碼來(lái)供給數(shù)據(jù)。
2. 從文件讀取數(shù)據(jù)： 在TensorFlow圖的起始， 讓一個(gè)輸入管線從文件中讀取數(shù)據(jù)。
3. 預(yù)加載數(shù)據(jù)： 在TensorFlow圖中定義常量或變量來(lái)保存所有數(shù)據(jù)(僅適用于數(shù)據(jù)量比較小的情況)。

對(duì)于數(shù)據(jù)量較小而言，可能一般選擇直接將數(shù)據(jù)加載進(jìn)內(nèi)存，然后再分batch輸入網(wǎng)絡(luò)進(jìn)行訓(xùn)練（tip:使用這種方法時(shí)，結(jié)合yield 使用更為簡(jiǎn)潔，大家自己嘗試一下吧，我就不贅述了）。但是，如果數(shù)據(jù)量較大，這樣的方法就不適用了，因?yàn)樘膬?nèi)存，所以這時(shí)最好使用tensorflow提供的隊(duì)列queue，也就是第二種方法 從文件讀取數(shù)據(jù)。對(duì)于一些特定的讀取，比如csv文件格式，官網(wǎng)有相關(guān)的描述，在這兒我介紹一種比較通用，高效的讀取方法（官網(wǎng)介紹的少），即使用tensorflow內(nèi)定標(biāo)準(zhǔn)格式——TFRecords

太長(zhǎng)不看，直接看源碼請(qǐng)猛戳我的github，記得加星哦。

TFRecords

TFRecords其實(shí)是一種二進(jìn)制文件，雖然它不如其他格式好理解，但是它能更好的利用內(nèi)存，更方便復(fù)制和移動(dòng)，并且不需要單獨(dú)的標(biāo)簽文件（等會(huì)兒就知道為什么了）… …總而言之，這樣的文件格式好處多多，所以讓我們用起來(lái)吧。

TFRecords文件包含了tf.train.Example 協(xié)議內(nèi)存塊(protocol buffer)(協(xié)議內(nèi)存塊包含了字段 Features)。我們可以寫(xiě)一段代碼獲取你的數(shù)據(jù)， 將數(shù)據(jù)填入到Example協(xié)議內(nèi)存塊(protocol buffer)，將協(xié)議內(nèi)存塊序列化為一個(gè)字符串， 并且通過(guò)tf.python_io.TFRecordWriter 寫(xiě)入到TFRecords文件。

從TFRecords文件中讀取數(shù)據(jù)， 可以使用tf.TFRecordReader的tf.parse_single_example解析器。這個(gè)操作可以將Example協(xié)議內(nèi)存塊(protocol buffer)解析為張量。

接下來(lái)，讓我們開(kāi)始讀取數(shù)據(jù)之旅吧~

生成TFRecords文件

我們使用tf.train.Example來(lái)定義我們要填入的數(shù)據(jù)格式，然后使用tf.python_io.TFRecordWriter來(lái)寫(xiě)入。

import os
import tensorflow as tf 
from PIL import Image

cwd = os.getcwd()

'''
此處我加載的數(shù)據(jù)目錄如下：
0 -- img1.jpg
   img2.jpg
   img3.jpg
   ...
1 -- img1.jpg
   img2.jpg
   ...
2 -- ...
 這里的0， 1， 2...就是類別，也就是下文中的classes
 classes是我根據(jù)自己數(shù)據(jù)類型定義的一個(gè)列表，大家可以根據(jù)自己的數(shù)據(jù)情況靈活運(yùn)用
...
'''
writer = tf.python_io.TFRecordWriter("train.tfrecords")
for index, name in enumerate(classes):
  class_path = cwd + name + "/"
  for img_name in os.listdir(class_path):
    img_path = class_path + img_name
      img = Image.open(img_path)
      img = img.resize((224, 224))
    img_raw = img.tobytes()       #將圖片轉(zhuǎn)化為原生bytes
    example = tf.train.Example(features=tf.train.Features(feature={
      "label": tf.train.Feature(int64_list=tf.train.Int64List(value=[index])),
      'img_raw': tf.train.Feature(bytes_list=tf.train.BytesList(value=[img_raw]))
    }))
    writer.write(example.SerializeToString()) #序列化為字符串
writer.close()

關(guān)于Example Feature的相關(guān)定義和詳細(xì)內(nèi)容，我推薦去官網(wǎng)查看相關(guān)API。

基本的，一個(gè)Example中包含F(xiàn)eatures，F(xiàn)eatures里包含F(xiàn)eature（這里沒(méi)s）的字典。最后，F(xiàn)eature里包含有一個(gè) FloatList， 或者ByteList，或者Int64List

就這樣，我們把相關(guān)的信息都存到了一個(gè)文件中，所以前面才說(shuō)不用單獨(dú)的label文件。而且讀取也很方便。

接下來(lái)是一個(gè)簡(jiǎn)單的讀取小例子：

for serialized_example in tf.python_io.tf_record_iterator("train.tfrecords"):
  example = tf.train.Example()
  example.ParseFromString(serialized_example)

  image = example.features.feature['image'].bytes_list.value
  label = example.features.feature['label'].int64_list.value
  # 可以做一些預(yù)處理之類的
  print image, label

使用隊(duì)列讀取

一旦生成了TFRecords文件，為了高效地讀取數(shù)據(jù)，TF中使用隊(duì)列（queue）讀取數(shù)據(jù)。

def read_and_decode(filename):
  #根據(jù)文件名生成一個(gè)隊(duì)列
  filename_queue = tf.train.string_input_producer([filename])

  reader = tf.TFRecordReader()
  _, serialized_example = reader.read(filename_queue)  #返回文件名和文件
  features = tf.parse_single_example(serialized_example,
                    features={
                      'label': tf.FixedLenFeature([], tf.int64),
                      'img_raw' : tf.FixedLenFeature([], tf.string),
                    })

  img = tf.decode_raw(features['img_raw'], tf.uint8)
  img = tf.reshape(img, [224, 224, 3])
  img = tf.cast(img, tf.float32) * (1. / 255) - 0.5
  label = tf.cast(features['label'], tf.int32)

  return img, label

之后我們可以在訓(xùn)練的時(shí)候這樣使用

img, label = read_and_decode("train.tfrecords")

#使用shuffle_batch可以隨機(jī)打亂輸入
img_batch, label_batch = tf.train.shuffle_batch([img, label],
                        batch_size=30, capacity=2000,
                        min_after_dequeue=1000)
init = tf.initialize_all_variables()

with tf.Session() as sess:
  sess.run(init)
  threads = tf.train.start_queue_runners(sess=sess)
  for i in range(3):
    val, l= sess.run([img_batch, label_batch])
    #我們也可以根據(jù)需要對(duì)val， l進(jìn)行處理
    #l = to_categorical(l, 12) 
    print(val.shape, l)

至此，tensorflow高效從文件讀取數(shù)據(jù)差不多完結(jié)了。

恩？等等…什么叫差不多？對(duì)了，還有幾個(gè)注意事項(xiàng)：

第一，tensorflow里的graph能夠記住狀態(tài)（state），這使得TFRecordReader能夠記住tfrecord的位置，并且始終能返回下一個(gè)。而這就要求我們?cè)谑褂弥埃仨毘跏蓟麄€(gè)graph，這里我們使用了函數(shù)tf.initialize_all_variables()來(lái)進(jìn)行初始化。

第二，tensorflow中的隊(duì)列和普通的隊(duì)列差不多，不過(guò)它里面的operation和tensor都是符號(hào)型的（symbolic），在調(diào)用sess.run()時(shí)才執(zhí)行。

第三， TFRecordReader會(huì)一直彈出隊(duì)列中文件的名字，直到隊(duì)列為空。

總結(jié)

1. 生成tfrecord文件
2. 定義record reader解析tfrecord文件
3. 構(gòu)造一個(gè)批生成器（batcher）
4. 構(gòu)建其他的操作
5. 初始化所有的操作
6. 啟動(dòng)QueueRunner

例子代碼請(qǐng)戳我的github，如果覺(jué)得對(duì)你有幫助的話可以加個(gè)星哦。

以上就是本文的全部?jī)?nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

最新評(píng)論