人工智能从入门到精通（16）

最新推荐文章于 2025-07-03 11:25:05 发布

为不为

最新推荐文章于 2025-07-03 11:25:05 发布

阅读量612

点赞数

CC 4.0 BY-SA版权

分类专栏：人工智能

本文链接：https://blog.youkuaiyun.com/u011747152/article/details/78714787

人工智能专栏收录该内容

17 篇文章

订阅专栏

本文介绍如何使用TensorFlow将MNIST数据集转换为TFRecord格式，并提供了完整的代码示例。此外，还展示了如何从TFRecord文件中读取数据。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

图像数据处理

统一输入数据格式
图像数据预处理
tensorflow多线程数据预处理

TFRecord样例程序

下面的代码是将输入数据转成TFRecord的格式

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

def _int64_feature(value):       #生成整数型的属性
    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]))

mnist = input_data.read_data_sets("/path/to/MNIST_data", dtype=tf.uint8, one_hot=True)
images = mnist.train.images
#训练数据所对应的正确答案，可以作为一个属性来存储
labels = mnist.train.labels
#训练数据的图像分辨率，可以作为一个属性来存储
pixels = images.shape[0]
#训练数据的个数
num_examples = mnist.train.num_examples
#指定要写入TFRecord文件的地址
filename = "/path/to/output.tfrecords"
#创建一个write来写TFRecord文件
writer = tf.python_io.TFRecordWriter(filename)
for index in range(num_examples):
    #把图像矩阵转化为字符串
    image_raw = images[index].tostring()
    #将一个样例转化为Example Protocol Buffer，并将所有的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 Example 写入TFRecord文件
    writer.write(example.SerializeToString())

writer.close()

读取：

import tensorflow as tf

reader=tf.TFRecordReader()
filename_queue=tf.train.string_input_producer(["/path/to/output.tfrecords"])
_,serialized_example=reader.read(filename_queue)
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()
coord=tf.train.Coordinator()
threads=tf.train.start_queue_runners(sess=sess,coord=coord)
for i in range(10):
    image,lable,pixel=sess.run([images,labels,pixels])