使用TFRecord存取多个数据

- 日理万妓 2022-05-31 03:57 221阅读 0赞

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。

发表评论取消回复

表情：

评论列表（有 0 条评论，221人围观）

还没有评论，来说两句吧...

相关阅读

相关 Caffeine：存取数据

@Test void testBasicOps() { // 构建cache对象 Cache<String, String> c

浅浅的花香味﹌/ 2024年03月24日 12:04/ 0 赞/ 81 阅读

相关 tf数据存储方式tfrecord

![1598479-20190918172845739-185651873.png][] ![1598479-20190918172851950-849006507.

喜欢ヅ旅行/ 2023年08月17日 16:07/ 0 赞/ 153 阅读

相关 keras 训练使用tfrecord.

1.写入tfrecord import tensorflow as tf import os import numpy as np

淩亂°似流年/ 2022年12月01日 14:22/ 0 赞/ 248 阅读

相关使用TFRecord存取多个数据

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 TFRe

- 日理万妓/ 2022年05月31日 03:57/ 0 赞/ 222 阅读

相关 TFRecords数据的生成与读取

TFRecords 作为TensorFlow标准支持格式，将所有信息（包括图片信息）写入到一个tfrecords文件中，便于管理数据。TFRecords 是二进制文件，有特定的

布满荆棘的人生/ 2022年05月29日 08:06/ 0 赞/ 198 阅读

相关 tensorflow数据加载之TFRecord

话不多说，干就完了。 -------------------- TFRecord是什么？ TFRecord是tensorflow中定义的一种数据格式，这种格式的数据在模型

短命女/ 2022年02月25日 04:47/ 0 赞/ 309 阅读

相关 Buffer的数据存取

[Buffer的数据存取][Buffer] 缓冲区存放要读取的数据缓冲区和通道配合使用一个用于特定基本数据类行的容器。有java.nio包定义的，

墨蓝/ 2022年01月28日 12:57/ 0 赞/ 349 阅读

相关 Redis实现存取数据+数据存取

添加依赖： <dependency> <groupId>com.fasterxml.jackson.core</groupId>

﹏ヽ暗。殇╰゛Y/ 2022年01月06日 22:25/ 0 赞/ 361 阅读

相关 JavaScript实现本地数据简单存取以及Json数据存取

1.判断本地存储是否可用： ? <table> <tbody> <tr> <td> <div> 1 </div>

心已赠人/ 2021年11月13日 23:06/ 0 赞/ 425 阅读

相关 TensorFlow高效读取数据——TFRecord

分享一个我的公众号，最近突然想玩公众号，之前做过一段时间前端开发，考虑到现在应用程序越来越多，未来社会一定是一个充满“只有你想不到，没有你做不到”的App的世界！而微信小程序又

偏执的太偏执、/ 2021年09月22日 06:02/ 0 赞/ 453 阅读