使用TFRecord存取多个数据案例


Posted in Python onFebruary 17, 2020

TensorFlow提供了一种统一的格式来存储数据,就是TFRecord,它可以统一不同的原始数据格式,并且更加有效地管理不同的属性。

TFRecord格式

TFRecord文件中的数据都是用tf.train.Example Protocol Buffer的格式来存储的,tf.train.Example可以被定义为:

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 = 1
  }
}

可以看出Example是一个嵌套的数据结构,其中属性名称可以为一个字符串,其取值可以是字符串BytesList、实数列表FloatList或整数列表Int64List。

将数据转化为TFRecord格式

以下代码是将MNIST输入数据转化为TFRecord格式:

# -*- coding: utf-8 -*-

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]))

# 生成浮点型的属性
def _float_feature(value):
  return tf.train.Feature(float_list=tf.train.FloatList(value=[value]))  
#若想保存为数组,则要改成value=value即可


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


mnist = input_data.read_data_sets("/tensorflow_google", 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 = "/tensorflow_google/mnist_output.tfrecords"
# 创建一个writer来写TFRecord文件
writer = tf.python_io.TFRecordWriter(filename)
for index in range(num_examples):
  # 将图像矩阵转换成一个字符串
  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)}))

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

本程序将MNIST数据集中所有的训练数据存储到了一个TFRecord文件中,若数据量较大,也可以存入多个文件。

从TFRecord文件中读取数据

以下代码可以从上面代码中的TFRecord中读取单个或多个训练数据:

# -*- coding: utf-8 -*-
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(["/Users/gaoyue/文档/Program/tensorflow_google/chapter7"
                         "/mnist_output.tfrecords"])

# 从文件中读出一个样例,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)
_, serialized_example = reader.read_up_to(filename_queue, 6) #读取6个样例
# 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={
# 解析多个样例
features = tf.parse_example(serialized_example, features={
  # TensorFlow提供两种不同的属性解析方法
  # 第一种是tf.FixedLenFeature,得到的解析结果为Tensor
  # 第二种是tf.VarLenFeature,得到的解析结果为SparseTensor,用于处理稀疏数据
  # 解析数据的格式需要与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中的一个样例,当所有样例都读完之后,会重头读取
# for i in range(10):
#   image, label, pixel = sess.run([images, labels, pixels])
#   # print(image, label, pixel)
#   print(label, pixel)

# 读取TFRecord中的前6个样例,若加入循环,则会每次从上次输出的地方继续顺序读6个样例
image, label, pixel = sess.run([images, labels, pixels])
print(label, pixel)

sess.close()

>> [7 3 4 6 1 8] [784 784 784 784 784 784]

输出结果显示,从TFRecord文件中顺序读出前6个样例。

以上这篇使用TFRecord存取多个数据案例就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持三水点靠木。

Python 相关文章推荐
浅谈Python NLP入门教程
Dec 25 Python
Django添加sitemap的方法示例
Aug 06 Python
Python 中的lambda函数介绍
Oct 10 Python
matplotlib.pyplot绘图显示控制方法
Jan 15 Python
Python获取命令实时输出-原样彩色输出并返回输出结果的示例
Jul 11 Python
python 中xpath爬虫实例详解
Aug 26 Python
python 内置函数汇总详解
Sep 16 Python
python日志模块logbook使用方法
Sep 19 Python
python脚本第一行如何写
Aug 30 Python
Python Unittest原理及基本使用方法
Nov 06 Python
用 Django 开发一个 Python Web API的方法步骤
Dec 03 Python
Python编写可视化界面的全过程(Python+PyCharm+PyQt)
May 17 Python
从多个tfrecord文件中无限读取文件的例子
Feb 17 #Python
Python3连接Mysql8.0遇到的问题及处理步骤
Feb 17 #Python
python3连接MySQL8.0的两种方式
Feb 17 #Python
Win10下安装并使用tensorflow-gpu1.8.0+python3.6全过程分析(显卡MX250+CUDA9.0+cudnn)
Feb 17 #Python
Windows下实现将Pascal VOC转化为TFRecords
Feb 17 #Python
tensorflow生成多个tfrecord文件实例
Feb 17 #Python
tensorflow将图片保存为tfrecord和tfrecord的读取方式
Feb 17 #Python
You might like
用PHP和ACCESS写聊天室(二)
2006/10/09 PHP
wordpress之wp-settings.php
2007/08/17 PHP
PHP时间戳 strtotime()使用方法和技巧
2013/10/29 PHP
smarty内置函数section的用法
2015/01/22 PHP
Laravel中基于Artisan View扩展包创建及删除应用视图文件的方法
2016/10/08 PHP
php使用fputcsv实现大数据的导出操作详解
2020/02/27 PHP
JavaScript实现鼠标滑过处生成气泡的方法
2015/05/16 Javascript
JavaScript中使用concat()方法拼接字符串的教程
2015/06/06 Javascript
Bootstrap 布局组件(全)
2016/07/18 Javascript
JS如何设置cookie有效期为当天24点并弹出欢迎登陆界面
2016/08/04 Javascript
无法获取隐藏元素宽度和高度的解决方案
2017/03/07 Javascript
Redux实现组合计数器的示例代码
2018/07/04 Javascript
Nodejs模块的调用操作实例分析
2018/12/25 NodeJs
JavaScript常用事件介绍
2019/01/21 Javascript
layui form表单提交后实现自动刷新
2019/10/25 Javascript
[02:30]辉夜杯主赛事第二日胜者组半决赛 CDEC.Y赛后采访
2015/12/26 DOTA
[01:04]DOTA2上海特锦赛现场采访 FreeAgain遭众解说围攻
2016/03/25 DOTA
[02:59]DOTA2完美大师赛主赛事第三日精彩集锦
2017/11/25 DOTA
python制作一个桌面便签软件
2015/08/09 Python
python数据类型_元组、字典常用操作方法(介绍)
2017/05/30 Python
浅谈flask截获所有访问及before/after_request修饰器
2018/01/18 Python
Python实现PS滤镜的万花筒效果示例
2018/01/23 Python
python保存网页图片到本地的方法
2018/07/24 Python
opencv3/C++ 平面对象识别&amp;透视变换方式
2019/12/11 Python
python-docx文件定位读取过程(尝试替换)
2020/02/13 Python
Python Dict找出value大于某值或key大于某值的所有项方式
2020/06/05 Python
python和php学习哪个更有发展
2020/06/17 Python
python json.dumps() json.dump()的区别详解
2020/07/14 Python
Python爬虫过程解析之多线程获取小米应用商店数据
2020/11/14 Python
Prometheus开发中间件Exporter过程详解
2020/11/30 Python
Top Villas美国:豪华别墅出租和度假屋
2018/07/10 全球购物
大学生简历的个人自我评价
2013/12/04 职场文书
2014国庆节国旗下演讲稿(精选版)
2014/09/26 职场文书
新人入职感言
2015/07/31 职场文书
浅谈Golang 切片(slice)扩容机制的原理
2021/06/09 Golang
JavaScript文档对象模型DOM
2021/11/20 Javascript