用DCGAN训练自己的数据集

第一步：读入数据

import tensorflow as tf
import numpy as np
import os
import matplotlib.pyplot as plt
import pdb

def get_files(file_dir):
    img=[]
    label=[]
    for file in os.listdir(file_dir):
        img.append(file_dir+file)
        label.append(1)
    temp=np.array([img,label]).T
    #使用shuffle打乱顺序
    np.random.shuffle(temp)
    img_list=list(temp[:,0])
    label_list=list(temp[:,1])
    label_list=[int(i) for i in label_list]
    return img_list,label_list

第二步：将上述的list产生训练的批次

       tensorflow为了充分利用CPU和GPU，减少CPU或者GPU等待数据的空闲时间，使用两个线程分别执行数据的读入和数据的计算。即用一个线程源源不断地从硬盘中读取图像数据到内存队列，另一个线程负责计算任务，所需的数据直接从内存队列中获取。tensorflow在内存队列之前还设置了文件名队列，文件名队列存放参与训练的文件名，要训练N个epoch，则文件名队列中就含有N个批次的所有文件名，如图所示。

       在N个epoch的文件名后是一个结束标志，当tensorflow捕捉到结束标志时会抛出一个OutofRange的异常，外部捕捉到这个异常后就结束程序。

input_queue=tf.train.slice_input_producer(tensor_list, num_epochs=None, shuffle=True, seed=None, capacity=32, shared_name=None,name=None)是一个tensor生成器，每次从一个tensor列表中抽取一个tensor放入文件名队列。需要调用tf.train.start_queue_runners启动执行文件名队列填充的线程，之和计算单元才会把数据读出来，否则文件名队列是空的，计算单元会一直处于等待状态

tensor_list: 输入，有多少图像该参数第一维就有多少；若tensor_list=[image,label]，则input_queue[1]代表标签，input_quue[0]代表图像，需要通过tf.read_file(input_queue[0])输出图像

num_epochs: 迭代次数，设置为None代表可以无限次地遍历tensor列表，若设置为N，则只能遍历N次；

shuffle: 是否打乱样本的顺序；

seed: 生成随机数的种子，在shuffle为True时才有用；

capacity: 代表tensor列表容量

shared_name: 如果设置一个shared_name，可在不同的Session中可通过这个名字共享生成的tensor；

name: 设置操作的名字

tf.train.batch(tensors, batch_size, num_threads=1, capacity=32, ...)

tf.train.shuffle_batch(tensors, batch_size, num_threads=1, capacity=32, min_after_dequeue,...)

这两个函数用来生成批次数据

则生成批次数据code如下：

def get_batch(image,label,batch_size):
    image_W=200
    image_H=200
    #将python中的list类型转换为tf能识别的格式
    image=tf.cast(image,tf.string)
    label=tf.cast(label,tf.int32)

    #产生一个输入队列queue
    epoch_num=50
    input_queue=tf.train.slice_input_producer([image,label],num_epochs=epoch_num)

    label=input_queue[1]
    image_contents=tf.read_file(input_queue[0])