TFRecord tf.train.Feature

一、定义

事先将数据编码为二进制的TFRecord文件，配合TF自带的多线程API，读取效率最高，且跨平台，适合规范化存储复杂的数据。上图为TFRecord的pb格式定义，可发现每个TFRecord由许多Example组成。

Example官方定义：An Example is a mostly-normalized data format for storing data for training and inference.
一个Example代表一个封装的数据输入，比如包含一张图片、图片的宽高、图片的label等信息。而每个信息用键值对的方式存储。因此一个Example包含了一个Features(Features 包含多个 feature）。

这种约定好的TFRecord格式，可以应用于所有数据集的制作。

二、Feature
官方定义：

// A Feature contains Lists which may hold zero or more values. These
// lists are the base values BytesList, FloatList, Int64List.
//
// Features are organized into categories by name. The Features message
// contains the mapping from name to Feature.、

eatures是Feature的字典合集，key为String，而value为tf.train.Feature()，value必须符合特定的三种格式之一：字符串（BytesList）、实数列表（FloatList）或者整数列表（Int64List）。

tf.train.Feature(**options) 
options可以选择如下三种数据格式：
bytes_list = tf.train.BytesList(value = 输入)#输入的元素的数据类型为string
int64_list = tf.train.Int64List(value = 输入)#输入的元素的数据类型为int(int32,int64)
float_list = tf.trian.FloatList(value = 输入)#输入的元素的数据类型为float(float32,float64)
注：value必须是list(向量)

原始数据为矩阵或张量（比如图片格式）不管哪种方式存储都会使数据丢失形状信息，所以在向该样本中写入feature时应该额外加入shape信息作为额外feature。shape信息是int类型，建议采用原feature名字+’_shape’来指定shape信息的feature名。这样读取操作可获取到shape信息进行还原。

以下是两种存储矩阵的方式，都需要额外存储shape信息以便还原：（第二种更方便）

将矩阵或张量fatten成list(向量)，再根据元素的数据类型选择使用哪个数据格式存储。
将矩阵或张量用.tostring()转换成string类型，再用tf.train.Feature(bytes_list=tf.train.BytesList(value=[input.tostring()]))来存储。

# 定义函数转化变量类型。
def _int64_feature(value):
    return tf.train.Feature(int64_list=tf.train.Int64List(value=[value]))

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

# 将每一个数据转化为tf.train.Example格式。
def _make_example(pixels, label, image):
    image_raw = image.tostring()  # np.array ---> String byte
    example = tf.train.Example(features=tf.train.Features(feature={
        'pixels': _int64_feature(pixels),
        'label': _int64_feature(np.argmax(label)),
        'image_raw': _bytes_feature(image_raw)
    }))
    return example

三、完整的持久化mnist数据为TFRecord

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

# 定义函数转化变量类型。
def _int64_feature(value):
    return tf.train.Feature(int64_list=tf.train.Int64List(value=[value]))

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

# 将数据转化为tf.train.Example格式。
def _make_example(pixels, label, image):
    image_raw = image.tostring()
    example = tf.train.Example(features=tf.train.Features(feature={
        'pixels': _int64_feature(pixels),
        'label': _int64_feature(np.argmax(label)),
        'image_raw': _bytes_feature(image_raw)
    }))
    return example

def save_tfrecords():
    # 读取mnist训练数据。
    mnist = input_data.read_data_sets("../../datasets/MNIST_data",dtype=tf.uint8, one_hot=True)
    images = mnist.train.images  # (55000, 784) <class 'numpy.ndarray'>
    labels = mnist.train.labels  # (55000, 10) <class 'numpy.ndarray'>
    pixels = images.shape[1]  # 784 = 28 * 28
    num_examples = mnist.train.num_examples

    # 输出包含训练数据的TFRecord文件。
    with tf.python_io.TFRecordWriter("output.tfrecords") as writer:
        for index in range(num_examples):
            # 生成一个Example并序列化后写入pb
            example = _make_example(pixels, labels[index], images[index])
            writer.write(example.SerializeToString())
    print("TFRecord训练文件已保存。")

四、读取解析TFRecord
读取解析的步骤中，需要根据编码时候的定义，来指定解码时候的规则和还原的dtype，如image需要指定tf.string格式，之后再去解析成uint8。注意，这里的parse等op操作都是在graph中定义一些运算op，并没有运行。sess.run()的时候才会真正多线程开始读取解析。这种读取二进制了流文件的速度，多线程加持下远远超过读取硬盘中的原生图片。

def test_tfrecords():
    # 读取文件。
    print(len(tf.get_collection(tf.GraphKeys.QUEUE_RUNNERS)))  # 0
    reader = tf.TFRecordReader()
    filename_queue = tf.train.string_input_producer(["output.tfrecords"])  # 队列默认自动添加进collection
    print(len(tf.get_collection(tf.GraphKeys.QUEUE_RUNNERS)))   # 1
    _, serialized_example = reader.read(filename_queue)

    # 解析读取的样例。
    features = tf.parse_single_example(
        serialized_example,
        features={
            'image_raw': tf.FixedLenFeature([], tf.string),
            'pixels': tf.FixedLenFeature([], tf.int64),
            'label': tf.FixedLenFeature([], tf.int64)
        })

    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)

    for i in range(5):
        image, label, pixel = sess.run([images, labels, pixels])
        print(label)