TensorFlow高效读取数据的方法

概述

最新上传的mcnn中有完整的数据读写示例，可以参考。

关于Tensorflow读取数据，官网给出了三种方法：
供给数据(Feeding)： 在TensorFlow程序运行的每一步， 让Python代码来供给数据。
从文件读取数据： 在TensorFlow图的起始， 让一个输入管线从文件中读取数据。
预加载数据： 在TensorFlow图中定义常量或变量来保存所有数据(仅适用于数据量比较小的情况)。

对于数据量较小而言，可能一般选择直接将数据加载进内存，然后再分

batch

输入网络进行训练（tip:使用这种方法时，结合

yield

 使用更为简洁，大家自己尝试一下吧，我就不赘述了）。但是，如果数据量较大，这样的方法就不适用了，因为太耗内存，所以这时最好使用tensorflow提供的队列

queue

，也就是第二种方法 从文件读取数据。对于一些特定的读取，比如csv文件格式，官网有相关的描述，在这儿我介绍一种比较通用，高效的读取方法（官网介绍的少），即使用tensorflow内定标准格式——

TFRecords

太长不看，直接看源码请猛戳我的github，记得加星哦。

TFRecords

TFRecords其实是一种二进制文件，虽然它不如其他格式好理解，但是它能更好的利用内存，更方便复制和移动，并且不需要单独的标签文件（等会儿就知道为什么了）… …总而言之，这样的文件格式好处多多，所以让我们用起来吧。

TFRecords文件包含了

tf.train.Example

 协议内存块(protocol buffer)(协议内存块包含了字段 

Features

)。我们可以写一段代码获取你的数据，
将数据填入到

Example

协议内存块(protocol buffer)，将协议内存块序列化为一个字符串， 并且通过

tf.python_io.TFRecordWriter

 写入到TFRecords文件。

从TFRecords文件中读取数据， 可以使用

tf.TFRecordReader

的

tf.parse_single_example

解析器。这个操作可以将

Example

协议内存块(protocol
buffer)解析为张量。

接下来，让我们开始读取数据之旅吧~

生成TFRecords文件

我们使用

tf.train.Example

来定义我们要填入的数据格式，然后使用

tf.python_io.TFRecordWriter

来写入。

import os
import tensorflow as tf
from PIL import Image

cwd = os.getcwd()

'''
此处我加载的数据目录如下：
0 -- img1.jpg
img2.jpg
img3.jpg
...
1 -- img1.jpg
img2.jpg
...
2 -- ...
这里的0， 1， 2...就是类别，也就是下文中的classes
classes是我根据自己数据类型定义的一个列表，大家可以根据自己的数据情况灵活运用
...
'''
writer = tf.python_io.TFRecordWriter("train.tfrecords")
for index, name in enumerate(classes):
class_path = cwd + name + "/"
for img_name in os.listdir(class_path):
img_path = class_path + img_name
img = Image.open(img_path)
img = img.resize((224, 224))
img_raw = img.tobytes()              #将图片转化为原生bytes
example = tf.train.Example(features=tf.train.Features(feature={
"label": tf.train.Feature(int64_list=tf.train.Int64List(value=[index])),
'img_raw': tf.train.Feature(bytes_list=tf.train.BytesList(value=[img_raw]))
}))
writer.write(example.SerializeToString())  #序列化为字符串
writer.close()

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34

关于

Example

 

Feature

的相关定义和详细内容，我推荐去官网查看相关API。

基本的，一个

Example

中包含

Features

，

Features

里包含

Feature

（这里没s）的字典。最后，

Feature

里包含有一个 

FloatList

，
或者

ByteList

，或者

Int64List

就这样，我们把相关的信息都存到了一个文件中，所以前面才说不用单独的label文件。而且读取也很方便。

接下来是一个简单的读取小例子：

for serialized_example in tf.python_io.tf_record_iterator("train.tfrecords"):
example = tf.train.Example()
example.ParseFromString(serialized_example)

image = example.features.feature['image'].bytes_list.value
label = example.features.feature['label'].int64_list.value
# 可以做一些预处理之类的
print image, label

1
2
3
4
5
6
7
8

使用队列读取

一旦生成了TFRecords文件，为了高效地读取数据，TF中使用队列（

queue

）读取数据。

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()
_, serialized_example = reader.read(filename_queue)   #返回文件名和文件
features = tf.parse_single_example(serialized_example,
features={
'label': tf.FixedLenFeature([], tf.int64),
'img_raw' : tf.FixedLenFeature([], tf.string),
})

img = tf.decode_raw(features['img_raw'], tf.uint8)
img = tf.reshape(img, [224, 224, 3])
img = tf.cast(img, tf.float32) * (1. / 255) - 0.5
label = tf.cast(features['label'], tf.int32)

return img, label

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

之后我们可以在训练的时候这样使用

img, label = read_and_decode("train.tfrecords")

#使用shuffle_batch可以随机打乱输入
img_batch, label_batch = tf.train.shuffle_batch([img, label],
batch_size=30, capacity=2000,
min_after_dequeue=1000)
init = tf.initialize_all_variables()

with tf.Session() as sess:
sess.run(init)
threads = tf.train.start_queue_runners(sess=sess)
for i in range(3):
val, l= sess.run([img_batch, label_batch])
#我们也可以根据需要对val， l进行处理
#l = to_categorical(l, 12)
print(val.shape, l)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

至此，tensorflow高效从文件读取数据差不多完结了。

恩？等等…什么叫差不多？对了，还有几个注意事项：

第一，tensorflow里的graph能够记住状态（

state

），这使得

TFRecordReader

能够记住

tfrecord

的位置，并且始终能返回下一个。而这就要求我们在使用之前，必须初始化整个graph，这里我们使用了函数

tf.initialize_all_variables()

来进行初始化。

第二，tensorflow中的队列和普通的队列差不多，不过它里面的

operation

和

tensor

都是符号型的（

symbolic

），在调用

sess.run()

时才执行。

第三， 

TFRecordReader

会一直弹出队列中文件的名字，直到队列为空。

总结

生成tfrecord文件
定义

record reader

解析tfrecord文件
构造一个批生成器（

batcher

）
构建其他的操作
初始化所有的操作
启动

QueueRunner

例子代码请戳我的github，如果觉得对你有帮助的话可以加个星哦。

转载自：http://blog.csdn.net/u012759136/article/details/52232266