深度学习（1）：加载图片数据集--TFRecord（Tensorflow）

目录

1、TFRecord介绍

2、TFRecord格式数据文件处理过程

3、TFRecord格式

4、生成TFRecord格式数据

5、TFRecord数据文件解码

6、解码并生成Dataset数据集

7、查看第一批元素

---

1、TFRecord介绍

TFRecord 是 TensorFlow 中的数据集中存储格式，TFRecord是一种二进制文件。

将数据集整理成 TFRecord 格式后，TensorFlow 就可以高效地读取和处理这些数据集，从而更高效地进行大规模的模型训练。

TFRecord 内部使用了二进制数据编码方案，它只占用一个内存块，只需要一次性加载一个二进制文件的方式即可。简单，快速，尤其对大型训练数据很友好。而且当我们的训练数据量比较大的时候，可以将数据分成多个 TFRecord 文件，来提高处理效率。

2、TFRecord格式数据文件处理过程

将形式各样的数据集整理为 TFRecord 格式，可以对数据集中的每个元素进行以下步骤：

（1）读取该数据元素到内存；

（2）将该元素转换为 tf.train.Example 对象（每一个 tf.train.Example 由若干个 tf.train.Feature 的字典组成，因此需要先建立 Feature 的字典）；

（3）将该 tf.train.Example 对象序列化为字符串，并通过一个预先定义的 tf.io.TFRecordWriter 写入 TFRecord 文件。

读取 TFRecord 数据可按照以下步骤：

（1）通过 tf.data.TFRecordDataset 读入原始的 TFRecord 文件（此时文件中的 tf.train.Example 对象尚未被反序列化），获得一个 tf.data.Dataset数据集对象；

（2）通过 Dataset.map 方法，对该数据集对象中的每一个序列化的 tf.train.Example 字符串执行 tf.io.parse_single_example 函数，从而实现反序列化。

3、TFRecord格式

TFRecord内部包含了多个tf.train.Example， 而Example是protocol buffer(protobuf) 数据标准的实现，在一个Example消息体中包含了一系列的tf.train.feature属性，而每一个feature 是一个key-value的键值对，其中，key 是string类型，而value 的取值有三种：

• bytes_list:可以存储string和byte两种数据类型。
• float_list:可以存储float(float32)与double(float64) 两种数据类型 。
• int64_list:可以存储bool, enum, int32, uint32, int64, uint64 。

tf.train.Feature 支持三种数据格式：

• tf.train.BytesList ：字符串或原始 Byte 文件（如图片），通过 bytes_list 参数传入一个由字符串数组初始化的 tf.train.BytesList 对象；
• tf.train.FloatList ：浮点数，通过 float_list 参数传入一个由浮点数数组初始化的 tf.train.FloatList 对象；
• tf.train.Int64List ：整数，通过 int64_list 参数传入一个由整数数组初始化的 tf.train.Int64List 对象。

如果只希望保存一个元素而非数组，传入一个只有一个元素的数组即可

4、生成TFRecord格式数据

import os
import tensorflow as tf

# 读取数据集中图片文件名和标签
def read_image_filenames (data_dir) :
    cat_dir = data_dir + "cat/"
    dog_dir = data_dir + "dog/"
    
    cat_filenames = [cat_dir + fn for fn in os.listdir(cat_dir)]
    dog_filenames = [dog_dir + fn for fn in os.listdir(dog_dir)]
    filenames = cat_filenames + dog_filenames
    
    # 将cat类的标签设为0， dog类的标签设为1
    labels = [0]* len(cat_filenames) + [1] *len(dog_filenames)
    
    return filenames,labels

# 定义生成TFRecord格式数据文件函数 
def write_TFRecord_file(filenames,labels,tfrecord_file):
    with tf.io.TFRecordWriter(tfrecord_file) as writer:
        for filename,label in zip(filenames,labels) :
            # 读取数据集图片到内存，image 为一个 Byte类型的字符串
            image = open(filename,"rb").read()
            # 建立tf.train.Feature字典
            feature = {
                    # 图片是一个Bytes对象
                    'image': tf.train.Feature(bytes_list=tf.train.BytesList(value=[image])),
                    # 标签是一个Int对象
                    'label': tf.train.Feature(int64_list=tf.train.Int64List(value=[label]))
                    }
            # 通过feature字典建立Example
            example = tf.train.Example(features=tf.train.Features(feature=feature))
            # 将Example序列化并写入TFRecord 文件
            writer.write(example.SerializeToString())

train_data_dir = './data_small/train/'  # 数据集路径
tfrecord_file = train_data_dir + 'train.tfrecords'  # 生成的tfrecord路径 

if not os.path.isfile(tfrecord_file): # 判断train.tfrecord是否存在
    train_filenames,train_labels = read_image_filenames(train_data_dir)
    write_TFRecord_file(train_filenames,train_labels,tfrecord_file)
    print('write TFRecord file:',tfrecord_file)
else:
    print(tfrecord_file,'already exists.')

5、TFRecord数据文件解码

 1、定义TFRecord数据文件解码函数

# 定义Feature结构，告诉解码器每个Feature的类型是什么，要与生成的TFrecord的类型一致
feature_description = {
                        "image":tf.io.FixedLenFeature([],tf.string),
                        "label":tf.io.FixedLenFeature([],tf.int64)
                      }

# 将TFRecord 文件中的每一个序列化的 tf.train.Example 解码
def parse_example(example_string):
    feature_dict = tf.io.parse_single_example(example_string,feature_description)
    feature_dict['image'] = tf.io.decode_jpeg(feature_dict['image']) # 解码JPEG图片
    feature_dict['image'] = tf.image.resize(feature_dict['image'],[224,224])/ 255.0  # 改变图片尺寸并进行归一化
    return feature_dict['image'],feature_dict['label']

 2、定义读取TFRecord文件，解码并生成Dataset数据集的函数

def read_TFRecond_file(tfrecord_file):
    # 读取TFRecord 文件
    raw_dataset = tf.data.TFRecordDataset(tfrecord_file)
    # 解码
    dataset = raw_dataset.map(parse_example)
    
    return dataset

3、tf.data.TFRecordDataset

tfrecord文件创建一个TFRecordDataset类的实例对象 

参数：tf.data.TFRecordDataset(filenames,compression_type=None,

                buffer_size=None,num_parallel_reads=None)
一般只传第一个参数filenames即可 ，生成的tfrecord文件

6、解码并生成Dataset数据集

# Dataset的数据缓冲器大小，和数据集大小及规律有关
buffer_size = 20000
# Dataset的数据批次大小，每批次多少个样本数
batch_size = 8

dataset_train = read_TFRecond_file(tfrecord_file)  # 解码
dataset_train = dataset_train.shuffle(buffer_size)  # 打乱数据
dataset_train = dataset_train.batch(batch_size)  # 分批次进行读取

7、查看第一批元素

import matplotlib.pyplot as plt

sub_dataset = dataset_train.take(1)  # 读取第一个批次

for images,labels in sub_dataset:
    fig,axs = plt.subplots(1, batch_size)
    for i in range(batch_size):
        axs[i].set_title(labels.numpy()[i])
        axs[i].imshow(images.numpy()[i])
        axs[i].set_xticks([])
        axs[i].set_yticks([])
    plt.show()

案例实例地址：Tfrecord介绍以及实例· GitHub  

链接：猫狗大战数据集
提取码：kqgt