制作自己的数据集tfrecord格式

最近接触TensorFlow，需要训练自己的数据集，看到很多博客资料，了解到TensorFlow中自带的tfrecord文件，但是自己具体实现起来发现自己的情况与资料的一些不太一样，所以把自己遇到的问题归纳整理出来。新手一枚，水平有限，有许多问题的解决可能仅限于解决，代码并有优化，有些思路可能走了弯路，希望能跟大家交流。

1.问题1：对于多分类情况，怎么确定标签？

（1）多分类：大多资料中给出的是针对两种分类的情况，采用的是直接用class={class1 , class2}这种格式，但是对于很多类的话，依次写出类别有点麻烦，那么可以采用先定义一个列表classes = []来存储目录中所有的分类，比如对于字符识别，那么classes = {1,2,3,4...,A,B,C}，然后用for index, name in enumerate(classes)将对应文件夹的名字与整数一一对应起来。

其中enumerate是python中的一个函数，目的会将index和classes中的name对应起来，比如classes = {1，2，3，A，...}那么index = {1， 2， 3， 4，..}并且与classes中的1，2，3 ,A这些对应。

为什么要这样做？因为在存入tfrecord的时候，标签一般用的是整型，当目录文件中包含A，B，或者字符串的时候要将其变为整型，我尝试过读入tfrecord的时候用tobyte格式，也就是直接用字符串的形式读入，但是会报错，也可能是我知识水平不够，没有找到正确的方法。

classes = []
    for class1 in os.listdir(cwd):
        classes.append(class1)
    for index, name in enumerate(classes):
        class_path = cwd + name + '\\'
        for img_name in os.listdir(class_path):
            img_path = class_path + img_name  # 每一个图片的地址

2.问题二：如何在读入的时候分数据集和测试集（其中测试集占50%）

（1）我采用的是在逐层访问文件夹的时候用两个字典（一对多）存入图片的标签和对应图片地址。

    for class1 in os.listdir(cwd):
        classes.append(class1)
    for index, name in enumerate(classes):
        class_path = cwd + name +