# 五、如何将原始图片数据转换为 TFRecords 大家好！ 与前一个教程一样，本教程的重点是自动化数据输入流水线。 大多数情况下，我们的数据集太大而无法读取到内存，因此我们必须准备一个流水线，用于从硬盘批量读取数据。 我总是将我的原始数据（文本，图像，表格）处理为 TFRecords，因为它让我的生活变得更加容易。 教程的流程图  本教程将包含以下部分： + 创建一个函数，读取原始图像并将其转换为 TFRecords 的。 + 创建一个函数，将 TFRecords 解析为 TF 张量。 所以废话不多说，让我们开始吧。 ### 导入有用的库 ```py import tensorflow as tf import tensorflow.contrib.eager as tfe import glob # 开启 Eager 模式。一旦开启不能撤销！只执行一次。 tfe.enable_eager_execution() ``` ### 将原始数据转换为 TFRecords 对于此任务，我们将使用 FER2013 数据集中的一些图像，你可以在`datasets/dummy_images`文件夹中找到这些图像。 情感标签可以在图像的文件名中找到。 例如，图片`id7_3.jpg`情感标签为 3，其对应于状态`'Happy'`（快乐），如下面的字典中所示。 ```py # 获取每个情感的下标的含义 emotion_cat = {0:'Angry', 1:'Disgust', 2:'Fear', 3:'Happy', 4:'Sad', 5:'Surprise', 6:'Neutral'} def img2tfrecords(path_data='datasets/dummy_images/', image_format='jpeg'): ''' 用于将原始图像以及它们标签转换为 TFRecords 的函数 辅助函数的原始的源代码：https://goo.gl/jEhp2B Args: path_data: the location of the raw images image_format: the format of the raw images (e.g. 'png', 'jpeg') ''' def _int64_feature(value): '''辅助函数''' return tf.train.Feature(int64_list=tf.train.Int64List(value=[value])) def _bytes_feature(value): '''辅助函数''' return tf.train.Feature(bytes_list=tf.train.BytesList(value=[value])) # 获取目录中每个图像的文件名 filenames = glob.glob(path_data + '*' + image_format) # 创建 TFRecordWriter writer = tf.python_io.TFRecordWriter(path_data + 'dummy.tfrecords') # 遍历每个图像，并将其写到 TFrecords 文件中 for filename in filenames: # 读取原始图像 img = tf.read_file(filename).numpy() # 从文件名中解析它的标签 label = int(filename.split('_')[-1].split('.')[0]) # 创建样本（图像，标签） example = tf.train.Example(features=tf.train.Features(feature={ 'label': _int64_feature(label), 'image': _bytes_feature(img)})) # 向 TFRecords 写出序列化样本 writer.write(example.SerializeToString()) # 将原始数据转换为 TFRecords img2tfrecords() ``` ### 将 TFRecords 解析为 TF 张量 ```py def parser(record): '''解析 TFRecords 样本的函数''' # 定义你想要解析的特征 features = {'image': tf.FixedLenFeature((), tf.string), 'label': tf.FixedLenFeature((), tf.int64)} # 解析样本 parsed = tf.parse_single_example(record, features) # 解码图像 img = tf.image.decode_image(parsed['image']) return img, parsed['label'] ``` 如果你希望我在本教程中添加任何内容，请告诉我，我将很乐意进一步改善它。