TensorFlow文件读取 --TFRecords文件

TFRecords文件

是一种二进制文件，能够很好的利用内存，更方便复制和移动，并且不需要单独的标签文件

使用步骤

1）获取数据

2）将数据填入到Example协议内存块（protocol buffer）

3）将协议内存块序列化为字符串，并且通过 tf.python_io.TFRecordWriter写入到TFRecords文件

文件格式  *.tfrecords

     Example结构

●tf. train. Example协议内存块(protocol buffer)(协议内存块包含了字段  Features )
●Features包含了一个Feature 字段
●Feature 中包含要写入的数据、并指明数据类型。
   这是一个样本的结构，批数据需要循环存入这样的结构

• tf.train.Example(features=None)

          写入tfrecords文件

         features: tf.train.Features类型的特征实例

         return: example格式协议块

• tf.train.Features(feature=None)

         构建每个样本的信息键值对

         feature: 字典数据，key为要保存的名字

         value为tf.train.Feature实例

         return: Features类型

• tf.train.Feature(options)

         options: 例如

              bytes_ litftrain. BytesList(value=[Bytes])

              int64. lststf.train. Int64List(value=[Value)

支持存入的类型如下

       tf.train.Int64List(value=Malue])

       tf.train.BytesList(value=[Bytes])

       tf.train.FloatList(value=[value]

流程分析

1）构造存储实力  tf.python_io.TFRecordWriter(patch)

2）循环将数据填入到Example协议内存块（protocol buffer）

example解析

●tf.parse. single_ example(serialized, features=None, name=None)
      解析一个单一的Example原型

     serialized: 标量字符串Tensor, - 一个序列化的Example
     features: dict字典数据，键为读取的名字，值为FixedLenFeature
     return:一 个键值对组成的字典，键为读取的名字
●tf.FixedL enFeature(shape, dtype)
     shape: 输入数据的形状，一般不指定,为空列表
     dtype: 输入数据类型，与存储进文件的类型要一致
     类型只能是float32, int64, string
 

案例：

写入：

读取：

流程：

   1）构造文件名队列

    2）读取和解码    

              读取

              解析example

              解码

   3）构造批处理队列