TensorFlow进阶项目实战（二）

（一）csv文件读取

运行代码之前，先手动创建文件，流程如下图：

# csv文件读取示例
import tensorflow as tf
import os
def csv_read(filelist):
    # 2. 构建文件队列
    file_queue = tf.train.string_input_producer(filelist)
    # 3. 构建csv reader，读取队列内容（一行）
    reader = tf.TextLineReader()
    k, v = reader.read(file_queue)
    # 4. 对每行内容进行解码
    ## record_defaults：指定每一个样本每一列的类型，指定默认值
    records = [["None"], ["None"]]
    example, label = tf.decode_csv(v, record_defaults=records)  # 每行两个值
    # 5. 批处理
    # batch_size: 跟队列大小无关，只决定本批次取多少数据
    example_bat, label_bat = tf.train.batch([example, label],
                                            batch_size=9,
                                            num_threads=1,
                                            capacity=9)
    return example_bat, label_bat


if __name__ == "__main__":
    # 1. 找到文件，构造一个列表
    dir_name = "../data/"
    file_names = os.listdir(dir_name)
    file_list = []
    for f in file_names:
        file_list.append(os.path.join(dir_name, f))  # 拼接目录和文件名
        
    example, label = csv_read(file_list)
    # 开启session运行结果
    with tf.Session() as sess:
        coord = tf.train.Coordinator() # 定义线程协调器
        # 开启读取文件线程
        # 调用 tf.train.start_queue_runners 之后，才会真正把tensor推入内存序列中
        # 供计算单元调用，否则会由于内存序列为空，数据流图会处于一直等待状态
        # 返回一组线程
        threads = tf.train.start_queue_runners(sess, coord=coord)
        print(sess.run([example, label])) # 打印读取的内容
        # 回收线程
        coord.request_stop()
        coord.join(threads)

（二）图片文件的读取

图片文件读取API

图像读取器：tf.WholeFileReader

功能：将文件的全部内容作为值输出的
read方法：读取文件内容，返回文件名和文件内容

图像解码器：

tf.image.decode jpeg(constants)：解码jpeg格式tf.image.decode_png(constants)：解码png格式
返回值：3-D张量，[height, width, channels]

修改图像大小：

tf.image.resize_images(images,size)
images：图片数据，3-D或4-D张量
3-D：[长，宽，通道]
4-D：[数量，长，宽，通道]
size：1-D int32张量，[长、宽]（不需要传通道数）

# 图片文件读取示例
import tensorflow as tf
import os
def img_read(filelist):
    #1.构建文件队列
    file_queue = tf.train.string_input_producer(filelist)
    # 2. 定义reader，读取文件内容，默认读取一张图片
    reader = tf.WholeFileReader()
    k, v = reader.read(file_queue) #读取样本数据
    # 3.解码
    img = tf.image.decode_jpeg(v)  

    # 4. 批处理, 图片需要处理成统一大小
    img_resized = tf.image.resize(img, [200, 200])  # 200*200
    img_resized.set_shape([200, 200, 3])  # 固定样本形状，批处理时对数据形状有要求（静态形状）
    img_bat = tf.train.batch([img_resized],
                             batch_size=10,
                             num_threads=1)
    return img_bat
# 1. 找到文件，构造一个列表
dir_name = "test_img/"
file_names = os.listdir(dir_name)
file_list = []
for f in file_names:
    file_list.append(os.path.join(dir_name, f))  # 拼接目录和文件名
imgs = img_read(file_list)
# 开启session运行结果
with tf.Session() as sess:
    coord = tf.train.Coordinator()  # 定义线程协调器
    # 开启读取文件线程
    # 调用 tf.train.start_queue_runners 之后，才会真正把tensor推入内存序列中
    # 供计算单元调用，否则会由于内存序列为空，数据流图会处于一直等待状态