如何制作数据集，实现特定应用？

一、理论部分                                                                                                                                     点击此处返回总目录 二、实战部分     从这里下载图片用来制作数据集  https://github.com/caoxiaoliang/tensorflow-learning/tree/master/code 这一篇文章也写得不错，推荐  https://blog.csdn.net/miaomiaoyuan/article/details/56865361     解决了第一个问题，我们再来看第二个问题，实现特定应用。   一、理论部分 制作数据集可以使用二进制文件tfrecords，来保存对图片和标签的序列化。 用tf.train.Example协议来存储训练数据，训练数据的特征用键值对表示。如 原始图片：图片的值，标签：标签的值。值可以是字符串、实数列表、整数列表。 用SerializeToString()把数据序列化成字符串来存储。              要生成tfrecords文件，首先要创建一个writer。writer=tf.python_io.TFRecordWriter()，在括号中告知要生成的tfRecords在哪里，叫什么名。 用for循环遍历每张图片和标签：     用tf.train.Example中的teatures封装到example中。在tf.train.Features()中，特征会以字典的形式给出。"[img_raw]"这个位置放入二进制的图片，"labels"这个位置放入这张图片所对应的标签。     再用writer.write()把example进行序列化。 这样就生成了tfrecords文件。                    如果想从tfrecords文件解析出图片和标签，需要新建立文件队列名filename，"[tfRecord_path]"告知tfrecords文件放到哪里了，包括路径和文件名。 新建一个reader。 读出的每一个样本保存在serialized_example中。 进行解序列化。 恢复img_raw到img。 把img的形状变为1行784列。也就是包含784个元素的一维数组。 把img的每个元素变为浮点数，并且在0~1之间。 把label的每一个元素也变为浮点数。 这样img和label就满足上一节课模型的输入要求了。                      二、实战部分   首先准备数据，从这里下载图片，解压。   在.\mnist_data_jpg下有四个文件（夹）：   其中： .\mnist_data_jpg\mnist_train_jpg_60000下，有60000张图片，如下：   .\mnist_data_jpg\mnist_test_jpg_10000下，有10000张图片，如下：   mnist_train_jpg_60000.txt，共有60000行，内容如下：   mnist_test_jpg_10000.txt共有10000行，内容如下：   下面我们来看一下代码： 比上一节的代码多了一个mnist_generateds.py文件，里面包含了tfrecord文件的生成和标签图片的批获取。在mnist_backward.py和mnist_test.py中，修改了图片和标签的获取接口。mnist_forward.py和mnist_app.py和上一节的完全相同。                  //mnist.generateds.py #coding:utf-8 import tensorflow as tf  import numpy as np  from PIL import Image import os  image_train_path = './mnist_data_jpg/mnist_train_jpg_60000/' label_train_path = './mnist_data_jpg/mnist_train_jpg_60000.txt' tfRecord_train = './data/mnist_train.tfrecords' image_test_path = './mnist_data_jpg/mnist_test_jpg_10000/' label_test_path = './mnist_data_jpg/mnist_test_jpg_10000.tx