上一篇文章我们生成了验证码,而我们知道一张图片的直接喂入到网络中会使得训练速度变得很慢,这时候我们就需要把图片转换成其他方便读取快速的格式,tfrecord格式是Google提供的一种格式,速度很快。那么接下来,我们需要把图片转换格式了。
代码如下,你需要修改的是图片给出的路径,还有tfrecord文件存放的路径。
import tensorflow as tf
import os
import random
import math
import sys
from PIL import Image
import numpy as np
# %%
# 验证集数量
_NUM_TEST = 500
# 随机种子
_RANDOM_SEED = 0
# 数据集路径
DATASET_DIR = "D:/验证码识别/images/"
# tfrecord文件存放路径
TFRECORD_DIR = "D:/验证码识别/使用一个标签来训练/"
# 判断tfrecord文件是否存在
def _dataset_exists(dataset_dir):
for split_name in ['train', 'test']:
output_filename = os.path.join(dataset_dir, split_name + '.tfrecords')
if not tf.gfile.Exists(output_filename):
return False
return True
# 获取所有验证码图片
def _get_filenames_and_classes(dataset_dir):
photo_filenames = []
for filename in os.listdir(dataset_dir):
# 获取文件路径
path = os.path.join(dataset_dir, filename)
photo_filenames.append(path)
return photo_filenames
def int64_feature(values):
if not isinstance(values, (tuple, list)):
values = [values]
return tf.train.Feature(int64_list=tf.train.Int64List(value=values))
def bytes_feature(values):
return tf.train.Feature(bytes_list=tf.train.BytesList(value=[values]))
def image_to_tfexample(image_data, label):
# Abstract base class for protocol messages.
return tf.train.Example(features=tf.train.Features(feature={
'image': bytes_feature(image_data),
'label': int64_feature(label)
}))
# 把数据转为TFRecord格式
def _convert_dataset(split_name, filenames, dataset_dir):
assert split_name in ['train', 'test']
with tf.Session() as sess:
# 定义tfrecord文件的路径+名字
output_filename = os.path.join(TFRECORD_DIR, split_name + '.tfrecords')
with tf.python_io.TFRecordWriter(output_filename) as tfrecord_writer:
for i, filename in enumerate(filenames):
try:
sys.stdout.write('\r>> Converting image %d/%d' % (i + 1, len(filenames)))
sys.stdout.flush()
# 读取图片
image_data = Image.open(filename)
# 根据模型的结构resize
image_data = image_data.resize((224, 224))
# 灰度化
image_data = np.array(image_data.convert('L'))
# 将图片转化为bytes
image_data = image_data.tobytes()
# 获取label
labels = filename.split('/')[-1]
num_labels = []
num_labels.append(int(labels[0:4]))
# 生成protocol数据类型
example = image_to_tfexample(image_data, num_labels)
tfrecord_writer.write(example.SerializeToString())
except IOError as e:
print('Could not read:', filename)
print('Error:', e)
print('Skip it\n')
print(labels)
print(num_labels)
sys.stdout.write('\n')
sys.stdout.flush()
# 判断tfrecord文件是否存在
if _dataset_exists(TFRECORD_DIR):
print('tfcecord文件已存在')
else:
# 获得所有图片
photo_filenames = _get_filenames_and_classes(DATASET_DIR)
# 把数据切分为训练集和测试集,并打乱
random.seed(_RANDOM_SEED)
random.shuffle(photo_filenames)
training_filenames = photo_filenames[_NUM_TEST:]
testing_filenames = photo_filenames[:_NUM_TEST]
# 数据转换
_convert_dataset('train', training_filenames, DATASET_DIR)
_convert_dataset('test', testing_filenames, DATASET_DIR)
print('生成tfcecord文件')
运行程序后在对应的目录下会生成两个文件,如下:
train.tfrecord文件是用来训练的
test.tfrecord文件是用来测试的
生成文件的部分就到这里结束了,有兴趣的童鞋如果想看生成的tf.record文件怎么恢复到原来的图片请接着往下看,否则请看下一篇文章验证码识别3——训练部分
我们想看看生成的tfrecord文件是不是正确的,下面我们生成文件来看看,代码如下(你需要在路径里添加你的tfrecord文件):
import tensorflow as tf
from PIL import Image
#tfrecord文件路径
filename_queue = tf.train.string_input_producer(["D:/验证码识别/使用一个标签来训练/train.tfrecords"])
reader = tf.TFRecordReader()
# 返回文件名和文件
_, serialized_example = reader.read(filename_queue)
features = tf.parse_single_example(serialized_example,
features={
'image': tf.FixedLenFeature([], tf.string),
'label': tf.FixedLenFeature([], tf.int64)
})
image = tf.decode_raw(features['image'],tf.uint8)
image = tf.reshape(image,[224,224])
label = tf.cast(features['label'], tf.int64)
with tf.Session() as sess:
init_op = tf.global_variables_initializer()
sess.run(init_op)
coord = tf.train.Coordinator()
threads = tf.train.start_queue_runners(coord=coord)
for i in range(10):
example, label0 = sess.run([image, label]) # 在会话中取出image和label
print(example, label0)
print(example.shape)
img = Image.fromarray(example, 'L') # 这里Image是之前提到的
img.save('./' + str(i) + '_''Label_' + str(label0) + '.jpg') # 存下图片
coord.request_stop()
coord.join(threads)
我们随机的生成了10张图片来看看是否准确,运行上面的程序后会在你的当前目录下生成一些图片,好了看看是否正确把!
接下来就是训练部分了,请看我的下一篇文章验证码识别3——训练部分