tensorflow之构建自己的数据集

最近采用tensorflow进行一个项目，识别我军装备的歼-10，歼-11，歼轰-7三种飞机，首先对原始数据集进行处理，重新调整大小至[128，128],并将图片灰度化，减少运算次数。
为了加快读写，制作了trrecord数据集，用以向程序中输入数据。以下代码给出了tf.train.Example的定义

message Example{
    Features features = 1;
};
message Features{
    map<string,Feature> feature = 1;
};
message Feature{
    oneof kind{
        BytesList bytes_list = 1;
        FloatList float_list = 2;
        Int64List int64_list = 3;
    }
};

属性的取值可以为字符串（BytesList），实数列表（FloatList），整数列表（Int64List）。本次制作的数据集，将图片编码为字符串类型，将类别编码为整数列表类型。

“`
import tensorflow as tf
import numpy as np
import os
from PIL import Image

生成整数型数据

def _int64_feature(value):
return tf.train.Feature(int64_list = tf.train.Int64List(value = [value]))
#生成字符串型数据
def _bytes_feature(value):
return tf.train.Feature(bytes_list = tf.train.BytesList(value = [value]))

path = “C:\tensorflowprogram\”
classes={‘j-10-3’,’jh-7-3’,’j-11-3’} #设定3类飞机的照片的类别
writer= tf.python_io.TFRecordWriter(“C:\tensorflowprogram\tensorflow\tfrecord_train_plane\tfrecord_train_plane_128_330.tfrecords”)#创建一个writer来写tfrecord文件，括号里是要生成的文件地址
i= 0
for index,name in enumerate(classes):
class_path=path+name+’\’
for img_name in os.listdir(class_path):
#try:
img_path=class_path+img_name#每一个图片的地址
print(img_path)
#image_raw_data = tf.gfile.FastGFile(img_path,’r’).read()
#print(type(image_raw_data))
#with tf.Session()as sess:
#img_data = tf.image.decode_jpeg(image_raw_data)#
#img_data_1 = img_data.eval()
img = Image.open(img_path)#采用PIL库中的.open函数来打开图像文件
img_raw = img.tobytes()#将图像矩阵转化为字符串
if index == 0:
label = [1,0,0]
elif index == 1:
label = [0,1,0]
else:
label = [0,0,1]
#将一个样例转化为Example Protocol Buffer，并将所有的信息写入数据结构
example = tf.train.Example(features=tf.train.Features(feature={
“label”:tf.train.Feature(int64_list=tf.train.Int64List(value=label)),
‘img_raw’: _bytes_feature(img_raw)
}))#example对象对label和img_raw进行封装
writer.write(example.SerializeToString())#将一个Example写入TFRecord文件
i = i+1
print(i)
# except:
# print(img_path)
# break
writer.close()

可见，将飞机的类型分为3类，分别对应歼-10，歼轰-7，歼-11三种类别。