生成tfrecords文件（29）---《深度学习》

先将图片转化为tfrecords文件，然后将tfrecords文件进行批量恢复！

import os 
import tensorflow as tf 
from PIL import Image  #注意Image,后面会用到
import matplotlib.pyplot as plt 
import numpy as np
import os.path
import time

def read_files(dir,label_path):
    filelists=os.listdir(dir)
    img_lists=[]
    for file in filelists:
        img=Image.open(os.path.join(dir,file)).resize((224,224))
        image=img.tobytes()
        img_lists.append(image)
    label_lists=[]
    with open(label_path,'r') as f:
        line=f.readline()
        while line:
            label_lists.append(int(line))
            line=f.readline()

    return img_lists,label_lists
def create_tfrecords(i_lists,l_lists):
    writer=tf.python_io.TFRecordWriter("E:/hello.tfrecords")
    for i,img_raw in enumerate(i_lists):
        example=tf.train.Example(features=tf.train.Features(
            feature={
            "label":tf.train.Feature(int64_list=tf.train.Int64List(value=[l_lists[i]])),
            'img_raw':tf.train.Feature(bytes_list=tf.train.BytesList(value=[img_raw]))
            }))
        writer.write(example.SerializeToString())
    writer.close()

def read_and_decode(filename):
    filename_queue=tf.train.string_input_producer([filename])
    reader=tf.TFRecordReader()
    _,serialized_example=reader.read(filename_queue)
    features=tf.parse_single_example(serialized_example,
        features={
        'label':tf.FixedLenFeature([],tf.int64),
        'img_raw':tf.FixedLenFeature([],tf.string)
        })
    image=tf.decode_raw(features['img_raw'],tf.uint8)
    print("查看:"+str(image.shape))
    image=tf.reshape(image,[224,224,3])
    label=tf.cast(features['label'],tf.int32)

    images,labels = tf.train.shuffle_batch([image, label], 
        batch_size=15,
        num_threads=3,
        capacity=30 + 3 * 15,
        min_after_dequeue=30
    )

    return images,labels

def recover_from_tfrecords(filename,dest_dir):
    image,label=read_and_decode(filename)
    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)
        count=0
        for i in range(30):
            print("第"+str(i+1)+"次迭代："+str(count))
            example,lab=sess.run([image,label])
            for j in range(example.shape[0]):
                img=Image.fromarray(example[j],'RGB')
                img=img.convert("L")
                img.save(dest_dir+"\\"+str(j+count)+"_"+str(j+count)+".jpg")
            count=count+15

            #img=Image.fromarray(example,'RGB')
            #img=img.convert("L")
            #img.save(dest_dir+"\\"+str(i)+"_"+str(lab)+".jpg")
            #print(example,lab)

        coord.request_stop()
        coord.join(threads)
if __name__=="__main__":
    dir="E:/test"
    label_path="E:/hello_world.txt"
    filename="E:/hello.tfrecords"
    #img_lists,label_lists=read_files(dir,label_path)
    #create_tfrecords(img_lists,label_lists)
    #image,label=read_and_decode(filename)
    time0=time.time()
    recover_from_tfrecords(filename,"E:/hello")
    time_=time.time()-time0
    print("总共的时间长度："+str(time_))

针对某些数据，我们生成了其tfrecords文件，然后我们可以查看tfrecords中的东东，值的注意的是，生成tfrecords文件和原文件相比小了很多，所以可以有效节省空间，然后将其进行恢复，我针对图片进行了批量恢复，也可以进行单张恢复，只需要把read_and_decode和recover_from_tfrecords函数稍作修改就可以得到，开心玩起来哈！

原图：

利用tfrecords文件生成的图片（灰度图）

参考：

TensorFlow 学习（二）
制作自己的TFRecord数据集，读取，显示及代码详解

TensorFlow高效读取数据