读取TFRecord文件

接着上一篇生成TFRecord文件
读取TFRecord文件首先采用输入生成器tf.train.string_input_producer将其加载到一个队列，然后读出tf.TFRecordReader()并将tf.parse_single_exampleExample对象拆解为图像数据和标签数据，最后对图像数据解码并保持成JPG文件。

# 定义数据流队列
filename_queue = tf.train.string_input_producer([folder+'cat_dog.tfrecords'])
reader = tf.TFRecordReader()
_, serialized_example = reader.read(filename_queue) #返回文件名和文件
features = tf.parse_single_example(serialized_example,
                                   features={
                                       'label': tf.FixedLenFeature([], tf.int64),
                                       'img_raw': tf.FixedLenFeature([], tf.string),
                                   })# 取出包含image和label的features对象，拆解为图像数据和标签数据
# bytes:  字符串类型的张量。所有元素的长度必须相同
# out_type:   来自tf.half，tf.float32，tf.float64，tf.int32，tf.uint16，tf.uint8，tf.int16，tf.int8，tf.int64的tf.DType
image = tf.decode_raw(features['img_raw'], tf.uint8)
image = tf.reshape(image, [128, 128, 3])
label = tf.cast(features['label'], tf.int32)
# 开始一个会话
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    # 协同启动的线程；调用 tf.train.Coordinator() 来创建一个线程协调器，用来管理之后在Session中启动的所有线程;
    coord = tf.train.Coordinator()
    # 以多线程的方式启动对队列的处理
    threads = tf.train.start_queue_runners(coord=coord)
    for i in range(count):
        example, l = sess.run([image, label])# 在会话中取出image和label
        img = Image.fromarray(example, 'RGB')# from PIL import Image 的引用
        img.save(folder + str(i) + '_Label_' + str(l) + '.jpg')# 存下图片
        print(example, l)
    coord.request_stop()# 请求停止线程
    coord.join(threads)# 等待所有进程结束

项目目录截图：
上一篇。
项目源代码请点击这里