tensorflow中tfrecord数据操作

tfrecord数据文件是一种将图像数据和标签统一存储的二进制文件，能更好的利用内存，在tensorflow中快速的复制，移动，读取，存储等.

一首先是转化为tfrecord文件格式：


        with tf.python_io.TFRecordWriter(output_filename) as tfrecord_writer:
                             
                    #生成protocol数据类型
                    example = image_to_tfexample(image, labels)
                    tfrecord_writer.write(example.SerializeToString())

其中output_filename就是定义输出的文件位置如./datasets/train.tfrecords

然后通过tf.python_io.TFRecordWriter class中的write方法将tfrecord文件写入到output_filename

一般的话这里会将数据集分成测试集和训练集，所以可以这样定义一个生成tfrecord的函数：

def gen_tfrecord(split_name, filenames, dataset_dir):
    assert split_name in ['train', 'test']

    with tf.Session() as sess:
        #定义tfrecord文件的路径+名字
        output_filename = os.path.join(dataset_dir,split_name + '.tfrecords')
        with tf.python_io.TFRecordWriter(output_filename) as tfrecord_writer:
            for i,filename in enumerate(filenames):
                try:
                    sys.stdout.write('\r>> Converting image %d/%d' % (i+1, len(filenames)))
                    sys.stdout.flush()
                                            
                    #生成protocol数据类型
                    example = image_to_tfexample(image, labels)
                    tfrecord_writer.write(example.SerializeToString())
                    
                except IOError as e:
                    print('Could not read:',filename)
                    print('Error:',e)
    sys.stdout.write('\n')
    sys.stdout.flush()

split_name就是指定是训练集还是测试集

filenames是每一张图片的路径

然后外部通过下面切分为训练集还是测试集

training_filenames = photo_filenames[FLAGS.test_num:]
testing_filenames = photo_filenames[:FLAGS.test_num]

然后调用即可

  gen_tfrecord('train', training_filenames,FLAGS.dataset_dir)
  gen_tfrecord('test', testing_filenames, FLAGS.dataset_dir)

其中dataset_dir就是图片的目录./datasets/images/

关于image和labels,对源数据集做预处理得到的

例如image的获得：

 #读取图片
 image = Image.open(filename)  
 #根据模型的结构resize
 image = image_data.resize((224, 224))
 #灰度化
 image = np.array(image_data.convert('L'))
 #将图片转化为bytes
 image= image_data.tobytes()

labels的获得：

#获取label
labels = filename.split('/')[-1][0:4]

关于二者的获取可以在外部处理也可以集成到gen_tfrecord函数中，生成的tfrecord也同时放到了图片目录下。

故：

def  gen_tfrecord(split_name, filenames, dataset_dir):
    assert split_name in ['train', 'test']

    with tf.Session() as sess:
        #定义tfrecord文件的路径+名字
        output_filename = os.path.join(dataset_dir,split_name + '.tfrecords')
        with tf.python_io.TFRecordWriter(output_filename) as tfrecord_writer:
            for i,filename in enumerate(filenames):
                try:
                    sys.stdout.write('\r>> Converting image %d/%d' % (i+1, len(filenames)))
                    sys.stdout.flush()

                    #读取图片
                    image_data = Image.open(filename)  
                    #根据模型的结构resize
                    image_data = image_data.resize((224, 224))
                    #灰度化
                    image_data = np.array(image_data.convert('L'))
                    #将图片转化为bytes
                    image_data = image_data.tobytes()              

                    #获取label
                    labels = filename.split('/')[-1][0:4]
                                            
                    #生成protocol数据类型
                    example = image_to_tfexample(image_data, labels)
                    tfrecord_writer.write(example.SerializeToString())
                    
                except IOError as e:
                    print('Could not read:',filename)
                    print('Error:',e)
    sys.stdout.write('\n')
    sys.stdout.flush()

上面的数据集中图片的名字正好是其label，当然二者获取的方式不尽相同，也有可能是images目录下对应三个子目录例如：

cat,dog,fish然后每个目录下面是对应的图片，这时候预处理无非就是要变，定义的gen_tfrecord函数也可能稍微变一下

好了接下来说一下当中的 image_to_tfexample函数，这个也需要自己定义：

  
def image_to_tfexample(image, label):
    return tf.train.Example(features=tf.train.Features(feature={
      'image': tf.train.Feature(bytes_list = tf.train.BytesList(value=[img]))
      'label': tf.train.Feature(int64_list = tf.train.Int64List(value=[label])),
      
    }))

tf.train.Example 是一块 buffer即协议缓冲区，其中包含了各种feature并以字典的形式赋值。

关于这里说明三点：

1 正如value=[XXX]其中XXX必须是列表形式，也就是说如果传进来的label是列表，那么就可以这样写：

'label': tf.train.Feature(int64_list = tf.train.Int64List(value=label)

2 传进来的不必要非得是一个label，什么意思呢？比如多任务的时候，可以将label（比如验证码：256）拆分为多个label，每个数字代表一个label

#获取label
labels = filename.split('/')[-1][0:3]
num_labels = []
for j in range(3):
    num_labels.append(int(labels[j]))

那么就是这样：

example = image_to_tfexample(image_data, num_labels[0], num_labels[1], num_labels[2])

def image_to_tfexample(image_data, label0, label1, label2):
    return tf.train.Example(features=tf.train.Features(feature={
      'image': tf.train.Feature(bytes_list = tf.train.BytesList(value=[img]))
      'label0': tf.train.Feature(int64_list = tf.train.Int64List(value=label0)),
      'label1': tf.train.Feature(int64_list = tf.train.Int64List(value=label1)),
      'label2': tf.train.Feature(int64_list = tf.train.Int64List(value=label2)),
    }))

3 tfrecord支持的格式除了上面的整型和二进制二种格式，还支持浮点数即

tf.train.Feature(bytes_list = tf.train.FloatList(value=[float_scalar]))

二读取tfrecord文件：

首先介绍下epoch，比如我们要训练的数据集是10张图片即1.jpg、2.jpg、3.jpg、....10.jpg,我们先全部训练这10张图片，然后还可以再来一轮，就是再用这十张图片训练一次，这里的epoch就是轮数当epoch=20时，就是用20轮数据集。

所以过程是这样的：

当epoch=10时，

现将10张图片全部都装载到文件名队列（q1）(装载10次)

q1
1.jpg
2.jpg
.......
10.jpg
1.jpg
2.jpg
.......
10.jpg
................
................
1.jpg
2.jpg
.......
10.jpg

当我们的程序sess.run运行时，内存队列（q2）会从q1依次读取10图片到q2

tf中提供了相关API

使用tf.train.string_input_producer函数，系统会自动将它转为一个文件名队列，其有两个参数num_epochs和shuffle

num_epochs就是epoch数，shuffle就是说是否将一个epoch内文件的顺序是打乱，即不按照1.jpg、2.jpg、3.jpg、....10.jpg，而是9.jpg、5.jpg、3.jpg、....10.jpg等等，shuffle=Ture时，就是打乱

关于内存队列不用我们自己建立，使用各种reader对象从文件名队列中读取数据就可以了，具体到tfrecord的reader即为

reader = tf.TFRecordReader()

之后调用tf.TFRecordReader的tf.parse_single_example解析器,将Example协议缓冲区(protocol buffer)解析为张量

解析了image后还进行了一些预处理，整体如下：

def read_and_decode(filename):
    # 根据文件名生成一个队列
    filename_queue = tf.train.string_input_producer([filename])
    reader = tf.TFRecordReader()
    # 返回文件名和文件
    _, serialized_example = reader.read(filename_queue)   
    features = tf.parse_single_example(serialized_example,
                                       features={
                                           'image' : tf.FixedLenFeature([], tf.string),
                                           'label': tf.FixedLenFeature([], tf.int64),
                                           
                                       })
    # 获取图片数据
    image = tf.decode_raw(features['image'], tf.uint8)

    # tf.train.shuffle_batch必须确定shape
    image = tf.reshape(image, [224, 224])

    # 图片预处理
    image = tf.cast(image, tf.float32) / 255.0
    image = tf.subtract(image, 0.5)
    image = tf.multiply(image, 2.0)

    # 获取label
    label = tf.cast(features['label'], tf.int32)

    return image, label

如果是上面所说的多任务有多个标签的相应读取tfrecord函数可以为：

def read_and_decode(filename):
    # 根据文件名生成一个队列
    filename_queue = tf.train.string_input_producer([filename])
    reader = tf.TFRecordReader()
    # 返回文件名和文件
    _, serialized_example = reader.read(filename_queue)   
    features = tf.parse_single_example(serialized_example,
                                       features={
                                           'image' : tf.FixedLenFeature([], tf.string),
                                           'label0': tf.FixedLenFeature([], tf.int64),
                                           'label1': tf.FixedLenFeature([], tf.int64),
                                           'label2': tf.FixedLenFeature([], tf.int64),
                                           
                                       })
    # 获取图片数据
    image = tf.decode_raw(features['image'], tf.uint8)
    # tf.train.shuffle_batch必须确定shape
    image = tf.reshape(image, [224, 224])
    # 图片预处理
    image = tf.cast(image, tf.float32) / 255.0
    image = tf.subtract(image, 0.5)
    image = tf.multiply(image, 2.0)
    # 获取label
    label0 = tf.cast(features['label0'], tf.int32)
    label1 = tf.cast(features['label1'], tf.int32)
    label2 = tf.cast(features['label2'], tf.int32)

    return image, label0, label1, label2

在实际中要分batch进行读取数据（就是说比如数据集有1000M，每一个batch=10M）：

那么在一个epoch内分100次读取，每次转载10M的数据，关于batch，tf一般有两个相关的API即tf.train.batch和tf.train.shuffle_batch

tf.train.batch：

batch(tensors, batch_size, num_threads=1, capacity=32,
          enqueue_many=False, shapes=None, dynamic_pad=False,
          allow_smaller_final_batch=False, shared_name=None, name=None)

第一个参数tensors：tensor序列或tensor字典，可以是含有单个样本的序列;
第二个参数batch_size: 生成的batch的大小;
第三个参数num_threads：执行tensor入队操作的线程数量，可以设置使用多个线程同时并行执行，提高运行效率，但也不是数量越多越好;
第四个参数capacity：定义生成的tensor序列的最大容量;
第五个参数enqueue_many：定义第一个传入参数tensors是多个tensor组成的序列，还是单个tensor;
第六个参数shapes：可选参数，默认是推测出的传入的tensor的形状;
第七个参数dynamic_pad：定义是否允许输入的tensors具有不同的形状，设置为True，会把输入的具有不同形状的tensor归一化到相同的形状;
第八个参数allow_smaller_final_batch：设置为True，表示在tensor队列中剩下的tensor数量不够一个batch_size的情况下，允许最后一个batch的数量少于batch_size，设置为False，则不管什么情况下，生成的batch都拥有batch_size个样本;
第九个参数shared_name：可选参数，设置生成的tensor序列在不同的Session中的共享名称;
第十个参数name：操作的名称;

一般的话只需要定义前三个即：

tf.train.batch([example, label], batch_size=batch_size, capacity=capacity)

tf.train.shuffle_batch：（和tf.train.batch差不多，最大的差别就是打乱输出一个batch，而不是依次取出一个batch）

tf.train.shuffle_batch([example, label], batch_size=batch_size, capacity=capacity, min_after_dequeue,num_threads=threads)

里面的相同的参数意思也同上。关于min_after_dequeue是出队后，队列至少剩下min_after_dequeue个数据，但其往往是用来定义混乱级别的，即在定义了随机取样的缓冲区大小的时候,min_after_dequeue越大表示更大级别的混合但是会导致启动更加缓慢,并且会占用更多的内存，同时一定要保证这参数小于capacity参数的值，否则会出错。

一般的话：capacity=(min_after_dequeue+(num_threads+a small safety margin∗batchsize)

num_threads指的是线程数

关于tf.train.shuffle_batch更多的可以看官方文档或者这篇https://blog.csdn.net/u013555719/article/details/77679964

以上按batch读取的话，最后会自动在前面添加一个维度，比如数据的维度是[100],batch_size是10，那么读取出来的shape就是[10,100]

除此之外使用tf.train.string_input_producer创建文件名队列后，其实系统其实还是处于“停滞状态”的，只有tf.train.start_queue_runners之后，才会启动填充队列的线程即

# 创建一个协调器，管理线程
coord = tf.train.Coordinator()
# 启动QueueRunner, 此时文件名队列已经进队
threads = tf.train.start_queue_runners(sess=sess, coord=coord)

程序进行完后记关闭线程：

 # 通知其他线程关闭
 coord.request_stop()
 # 其他所有线程关闭之后，这一函数才能返回
 coord.join(threads)

所以最后总结一下步骤：

一：定义 gen_tfrecord函数，是源数据转化为tfrecord文件（test and train）

二：定义 read_and_decode函数，读取tfrecord，获得数据（类如image）及其label

三：通过tf.train.batch或者tf.train.shuffle_batch将数据进行分批次的打包（batch为一个批次）

四：定义epoch数，即要利用源数据多少轮，代码中就是最外面的一个for

五：在每一个epoch下，将一个个batch feed给神经网络进行训练

注意：在训练前启动线程tf.train.start_queue_runners，不要程序一直会停留在“停滞状态”

为了更直观的了解上面过程，下面举个简单类子来说明一下：

注：类子主要来自于https://www.bilibili.com/video/av20542427/?p=1的up主。

首先准备一个数据集（验证码），

首先要生成验证码图片，在datasets目录下有gen_image.py用于生成验证码图片。这里可以通过下载或者爬虫获取各种数据集，笔者采用下面方法

需要安装captcha(这是一个生成验证码图片的库)

 pip install captcha

如果报错no module named setuptools可以参考

https://www.cnblogs.com/Mr-Rice/p/3960487.html

然后运行产生图片的脚本（gen_image.bat）

python C:/Users/asus-/Desktop/captcha_demo/datasets/gen_image.py ^
--output_dir C:/Users/asus-/Desktop/captcha_demo/datasets/images/ ^
--Captcha_size 4 ^
--image_num 1000 ^
pause

--output_dir就是输出图片的存储路径

--Captcha_size就是识别码图片上面字符的个数

--image_num就是产生图片的数量，但是有可能少于这个数，因为有可能产生重复的随机数，会覆盖前面的

关于gen_image.py为：

import tensorflow as tf
from captcha.image import ImageCaptcha  
import random
import sys

FLAGS = tf.app.flags.FLAGS

tf.app.flags.DEFINE_string('output_dir', '/ ', 'This is the saved directory of the picture')
tf.app.flags.DEFINE_integer('Captcha_size', 3, 'This is the number of characters of captcha')
tf.app.flags.DEFINE_integer('image_num', 1000, 'This is the number of pictures generated ,but less than  image_num')


#验证码内容
Captcha_content = ['0','1','2','3','4','5','6','7','8','9']

# 生成字符
def random_captcha_text():
    captcha_text = []
    for i in range(FLAGS.Captcha_size):
        ch = random.choice(Captcha_content)
        captcha_text.append(ch)
    return captcha_text
 
# 生成字符对应的验证码
def gen_captcha_text_and_image():
    image = ImageCaptcha()
    captcha_text = random_captcha_text()
    captcha_text = ''.join(captcha_text)
    captcha = image.generate(captcha_text)
    image.write(captcha_text, FLAGS.output_dir + captcha_text + '.jpg')  


def main(unuse_args):
    for i in range(FLAGS.image_num ):
        gen_captcha_text_and_image()
        sys.stdout.write('\r>> Creating image %d/%d' % (i+1, FLAGS.image_num))
        sys.stdout.flush()
    sys.stdout.write('\n')
    sys.stdout.flush()
    print("Finish!!!!!!!!!!!")
                        
if __name__ == '__main__':
    tf.app.run()

运行后为：

转化图片为tfrecord格式

同样这里写了一个简单的脚本：

python C:/Users/asus-/Desktop/captcha_demo/datasets/gen_tfrecord.py ^
--dataset_dir C:/Users/asus-/Desktop/captcha_demo/datasets/images/ ^
--output_dir C:/Users/asus-/Desktop/captcha_demo/datasets/ ^
--test_num 10 ^
--random_seed 0 ^
pause

从上到下依次是数据集位置，tfrecord生成位置，测试集个数，随机种子（用于打乱数据集）

import tensorflow as tf
import os
import random
import math
import sys
from PIL import Image
import numpy as np

FLAGS = tf.app.flags.FLAGS

tf.app.flags.DEFINE_string('dataset_dir', '/ ', 'This is the source directory of the picture')
tf.app.flags.DEFINE_string('output_dir', '/ ', 'This is the saved directory of the picture')
tf.app.flags.DEFINE_integer('test_num', 20, 'This is the number of test of captcha')
tf.app.flags.DEFINE_integer('random_seed', 0, 'This is the random_seed')

#判断tfrecord文件是否存在
def dataset_exists(dataset_dir):
    for split_name in ['train', 'test']:
        output_filename = os.path.join(dataset_dir,split_name + '.tfrecords')
        if not tf.gfile.Exists(output_filename):
            return False
    return True

#获取所有验证码图片
def get_filenames_and_classes(dataset_dir):
    photo_filenames = []
    for filename in os.listdir(dataset_dir):
        #获取文件路径
        path = os.path.join(dataset_dir, filename)
        photo_filenames.append(path)
    return photo_filenames

def int64_feature(values):
    if not isinstance(values, (tuple, list)):
        values = [values]
    return tf.train.Feature(int64_list=tf.train.Int64List(value=values))

def bytes_feature(values):
    return tf.train.Feature(bytes_list=tf.train.BytesList(value=[values]))

def image_to_tfexample(image_data, label0, label1, label2, label3):
    #Abstract base class for protocol messages.
    return tf.train.Example(features=tf.train.Features(feature={
      'image': bytes_feature(image_data),
      'label0': int64_feature(label0),
      'label1': int64_feature(label1),
      'label2': int64_feature(label2),
      'label3': int64_feature(label3),
    }))

#把数据转为TFRecord格式
def convert_dataset(split_name, filenames, dataset_dir):
    assert split_name in ['train', 'test']

    with tf.Session() as sess:
        #定义tfrecord文件的路径+名字
        output_filename = os.path.join(FLAGS.output_dir,split_name + '.tfrecords')
        with tf.python_io.TFRecordWriter(output_filename) as tfrecord_writer:
            for i,filename in enumerate(filenames):
                try:
                    sys.stdout.write('\r>> Converting image %d/%d' % (i+1, len(filenames)))
                    sys.stdout.flush()

                    #读取图片
                    image_data = Image.open(filename)  
                    #根据模型的结构resize
                    image_data = image_data.resize((224, 224))
                    #灰度化
                    image_data = np.array(image_data.convert('L'))
                    #将图片转化为bytes
                    image_data = image_data.tobytes()              

                    #获取label
                    labels = filename.split('/')[-1][0:4]
                    num_labels = []
                    for j in range(4):
                        num_labels.append(int(labels[j]))
                                            
                    #生成protocol数据类型
                    example = image_to_tfexample(image_data, num_labels[0], num_labels[1], num_labels[2], num_labels[3])
                    tfrecord_writer.write(example.SerializeToString())
                    
                except IOError as e:
                    print('Could not read:',filename)
                    print('Error:',e)
    sys.stdout.write('\n')
    sys.stdout.flush()

	
def main(unuse_args):
    
    if dataset_exists(FLAGS.output_dir):
        print('tfcecord file has been existed!!')
        
    else:
    #获得所有图片
        photo_filenames = get_filenames_and_classes(FLAGS.dataset_dir)
    #把数据切分为训练集和测试集,并打乱
        random.seed(FLAGS.random_seed)
        random.shuffle(photo_filenames)
        training_filenames = photo_filenames[FLAGS.test_num:]
        testing_filenames = photo_filenames[:FLAGS.test_num]

    #数据转换
        convert_dataset('train', training_filenames,FLAGS.dataset_dir)
        convert_dataset('test', testing_filenames, FLAGS.dataset_dir)
        print('Finish!!!!!!!!!!!!!!!!!')
	
if __name__ == '__main__':
    tf.app.run()

运行后：

下面是读取tfrecord格式

我们读取的是test测试集，这里test中有十个样本（batch=1，即每次取一个样本）

import tensorflow as tf 
import image_reader as ir

BATCH_SIZE=1

image, label0, label1, label2, label3 = ir.read_and_decode('C:/Users/asus-/Desktop/captcha_demo/datasets/test.tfrecords')

#使用shuffle_batch可以随机打乱
image_batch, label_batch0, label_batch1, label_batch2, label_batch3 = tf.train.shuffle_batch(
        [image, label0, label1, label2, label3], batch_size =BATCH_SIZE,
        capacity = 50000, min_after_dequeue=10000, num_threads=1)
    
with tf.Session() as sess:
     
    sess.run(tf.global_variables_initializer())

    coord = tf.train.Coordinator()
    threads = tf.train.start_queue_runners(sess=sess, coord=coord)

    for i in range(30):
        b_image, b_label0, b_label1 ,b_label2 ,b_label3 = sess.run([image_batch, label_batch0, label_batch1, label_batch2, label_batch3])
        print('label:',b_label0, b_label1 ,b_label2 ,b_label3)
                                                                
    coord.request_stop()
    coord.join(threads)

其中image_reader：

import tensorflow as tf 
# 从tfrecord读出数据
def read_and_decode(filename):
    # 根据文件名生成一个队列
    filename_queue = tf.train.string_input_producer([filename])
    reader = tf.TFRecordReader()
    # 返回文件名和文件
    _, serialized_example = reader.read(filename_queue)   
    features = tf.parse_single_example(serialized_example,
                                       features={
                                           'image' : tf.FixedLenFeature([], tf.string),
                                           'label0': tf.FixedLenFeature([], tf.int64),
                                           'label1': tf.FixedLenFeature([], tf.int64),
                                           'label2': tf.FixedLenFeature([], tf.int64),
                                           'label3': tf.FixedLenFeature([], tf.int64),
                                       })
    # 获取图片数据
    image = tf.decode_raw(features['image'], tf.uint8)
    # tf.train.shuffle_batch必须确定shape
    image = tf.reshape(image, [224, 224])
    # 图片预处理
    image = tf.cast(image, tf.float32) / 255.0
    image = tf.subtract(image, 0.5)
    image = tf.multiply(image, 2.0)
    # 获取label
    label0 = tf.cast(features['label0'], tf.int32)
    label1 = tf.cast(features['label1'], tf.int32)
    label2 = tf.cast(features['label2'], tf.int32)
    label3 = tf.cast(features['label3'], tf.int32)

    return image, label0, label1, label2, label3

第一次我们使用tf.train.shuffle_batch运行后：