MNIST数据集转换成TFRecord文件

TFRecord 文件中的数据都是通过 tf.train.Example Protocol Buffer 的格式存储的。以下为 tf.train.Example 的数据结构：

message Example {
	Features features = 1;
};
message Features{
	map<string, Feature> feature = 1;
};
message Feature {
	oneof kind {
		BytesList bytes_list = 1;
		FloatList float_list = 1;
		Int64List int64_list = 3;
	}
};

tf.train.Example中包含了一个从属性名称到取值的字典。其中属性名称为一个字符串，属性的取值可以为字符串（BytesList）,实数列表（FloatList）或者整数列表（Int64List）.

例程：将MNIST数据集中的所有文件存储到一个TFRecord文件中。

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
import numpy as np

# 生成整数型的属性
def _int64_feature(value):
        return tf.train.Feature(int64_list=tf.train.Int64List(value=[value]))

# 生成字符串型的数据
def _bytes_feature(value):
        return tf.train.Feature(bytes_list=tf.train.BytesList(value=[value]))


mnist = input_data.read_data_sets(
        "./MNIST_data", dtype=tf.uint8, one_hot=True)

images = mnist.train.images
# 训练数据所对应的正确答案，可以作为一个属性保存在TFRecord中
labels = mnist.train.labels
# 训练数据的图像分辨率，这可以作为Example中的一个属性
pixels = images.shape[1]
num_examples = mnist.train.num_examples
# 输出TFRecord文件的地址
filename = "./MNIST_data/output.tfrecords"

# 创建一个writer来写TFRecord文件
writer = tf.python_io.TFRecordWriter(filename)
for index in range(num_examples):

        # 将图像矩阵转化为一个字符串。
        image_raw = images[index].tostring()

        # 将一个样例转化为Example Protocol Buffer,并将所有信息写入这个数据结构
        example = tf.train.Example(features=tf.train.Features(feature={
                'pixels': _int64_feature(pixels),
                'label': _int64_feature(np.argmax(labels[index])),
                'image_raw': _bytes_feature(image_raw)
        }))

        # 将一个Example写入TFRecord文件
        writer.write(example.SerializeToString())
writer.close()

读取TFRecord中的数据

import tensorflow as tf

# 创建一个reader来读取TFRecord文件中的样例
reader = tf.TFRecordReader()

# 创建一个队列来维护输入文件列表
filename_queue = tf.train.string_input_producer(
    ["./MNIST_data/output.tfrecords"])

# 从文件中读取一个样例，也可以使用read_up_to函数一次性读取多个样例
_, serialized_example = reader.read(filename_queue)

# 解析读入的一个样例。如果需要解析多个样例，可以用parse_example函数
features = tf.parse_single_example(
    serialized_example,
    features={
        # TensorFlow提供两种不同的属性解析方法。一种是tf.FixedLenFeature
        # 这种方法得到的结果为一个Tensor.另一种方法是tf.VarLenFeature,这种方法
        # 得到的解析结果为SparseTensor,用于处理稀疏矩阵
        # 这里解析数据的格式需要和上面程序写入数据的格式一致
        'image_raw': tf.FixedLenFeature([], tf.string),
        'pixels': tf.FixedLenFeature([], tf.int64),
        'label': tf.FixedLenFeature([], tf.int64),
    })

# tf.decode_raw可以将字符串解析成图像对应的像素数组
images = tf.decode_raw(features['image_raw'], tf.uint8)
labels = tf.cast(features['label'], tf.int32)
pixels = tf.cast(features['pixels'], tf.int32)
sess = tf.Session()

# 启动多线程处理输入数据
coord = tf.train.Coordinator()
threads = tf.train.start_queue_runners(sess=sess, coord=coord)

# 每次运行可以读取TFRecord文件中的一个样例。
for i in range(10):
    image, label, pixel = sess.run([images, labels, pixels])
    # print(image)
    print(label)
    # print(pixel)