深度学习基础之《TensorFlow框架（14）—TFRecords》

一、什么是TFRecords文件

1、TFRecords其实是一种二进制文件，虽然它不如其他格式好理解，但是它能更好的利用内存，更方便复制和移动，并且不需要单独的标签文件

2、使用步骤
（1）获取数据
（2）将数据填入到Example协议内存块（protocol buffer）
（3）将协议内存块序列化为字符串，并且通过tf.io.TFRecordWriter写入到TFRecords文件

3、文件格式*.tfrecords

二、Example结构解析

1、Example

features {
	feature {
		key: "image"
		value {
			bytes_list {
				value: "\377\374\375\372\356\351\365\31\350\356\352\350"
			}
		}
	}
	feature {
		key: "lable"
		value {
			int64_list {
				value: 9
			}
		}
	}
}

特征值 - image - 3072字节
目标值 - label - 1个字节

说明：
（1）tf.train.Example
协议内存块(protocol buffer)(协议内存块包含了字段features)
（2）features
包含了feature字段
（3）feature
中包含要写入的数据、并指明数据类型

2、相关对象
tf.train.Example(features=None)
说明：
（1）写入tfrecords文件
（2）features：tf.train.Features类型的特征实例
（3）return：example格式协议块

tf.train.Features(feature=Nona)
说明：
（1）构建每个样本的信息键值对
（2）feature：字段数据，key为要保存的名字，value为tf.train.Feature实例
（3）return：Features实例

tf.train.Feature(options)
说明：
（1）options
    bytes_list=tf.train.BytesList(value=[Bytes])
    int64_list=tf.train.Int64List(value=[Value])
    float_list=tf.train.FloatList(value=[Value])
（2）支持存入的类型如下
    tf.train.BytesList(value=[Bytes])
    tf.train.Int64List(value=[Value])
    tf.train.FloatList(value=[Value])

3、一个样本的对象

example = tf.train.Example(features=tf.train.Features(feature={"image":tf.train.Feature(bytes_list=tf.train.BytesList(value=[image])"label":tf.train.Feature(int64_list=tf.train.Int64List(value=[label])))}))

三、CIFAR-10数据存入TFRecords文件

四、读取TFRecords文件API

五、读取CIFAR的TFRecords文件