本人為在職研究生，希望能夠有志同道合的學習伙伴一起學習分享和交流，本人領域為光纖傳感和人工智能，希望可以一起學習。
微信公眾號：Deepthinkerr（文章末尾有圖）

文章目錄

• 1. TFRecord
• • 1.1 數據寫入TFRecord
  • 1.2 讀取TFRecord
• 2. 微信公眾號

1. TFRecord

這里不太建議看《Tensorflow2.0卷積神經網絡實戰》王曉華這本書，講的內容并沒有什么問題，但是代碼我嘗試了，很多報錯（報錯說函數沒有參數，不知道是不是我的tf版本問題），而且一些地方沒有講清楚，這里建議看rensorflow的官網教程，看了一遍整體還是蠻不錯的，一些函數和書上講的不一樣，這里建議看官方的。

Tensorflow官網TFRecord鏈接：https://tensorflow.google.cn/tutorials/load_data/tfrecord?hl=zh_cn

1.1 數據寫入TFRecord

將數據寫入TFrecord步驟較為固定，個人總結為以下幾個步驟：

• step1：將每個值轉換為包含三種兼容類型之一的 tf.train.Feature
• step2：創建一個從特征名稱字符串到第 1 步中生成的編碼特征值的映射（字典）
• step3：將第 2 步中生成的映射轉換為Features消息
• step4：創建example
• step5：寫入TFRecords

def _bytes_feature(value):"""Returns a bytes_list from a string / byte."""if isinstance(value, type(tf.constant(0))):value = value.numpy() # BytesList won't unpack a string from an EagerTensor.return tf.train.Feature(bytes_list=tf.train.BytesList(value=[value]))def _float_feature(value):"""Returns a float_list from a float / double."""return tf.train.Feature(float_list=tf.train.FloatList(value=[value]))def _int64_feature(value):"""Returns an int64_list from a bool / enum / int / uint."""return tf.train.Feature(int64_list=tf.train.Int64List(value=[value]))def image_feature(image, label):image_shape = image.shapefeature = {'height': _int64_feature(image_shape[0]), # step1'width': _int64_feature(image_shape[1]),'depth': _int64_feature(image_shape[2]),'label': _int64_feature(label),'image_raw': _bytes_feature(image.tobytes()) # 這里需要將圖片信息改為byte數據類型，我用的numpy所以使用image.tobytes()} # step2return tf.train.Features(feature=feature) # step3# data, label data = np.random.random([100, 28, 28, 3]) # image [n, h, w, c] label = np.random.randint(0, 10, 100) # label [1] record_file = 'test.tfrecord' # TFRecord name with tf.io.TFRecordWriter(record_file) as writer:for i in range(100):tf_example = tf.train.Example(features=image_feature(data[i], label[i])) # step4writer.write(tf_example.SerializeToString()) # step5

注意：step1使用的是tf.train.Feature函數，函數參數為bytes_list、float_list、int64_list三種，是tf.train.Feature接受的三種類型，step3使用的是tf.train.Features，有個s，這里需要注意，而且函數參數為feature

個人理解：tf.train.Feature和tf.train.Features區別，前者是對一個數據進行Feature消息處理，后者是對多個Feature組成的dict進行處理，所以多一個s。

1.2 讀取TFRecord

讀取TFRecord文件步驟也比較固定，主要是需要對讀取的byte數據進行解析，這里必須和創建TFRecord時相對應，步驟如下：

• step1：創建解析字典（和寫入相對應）
• step2：解析函數（將讀取的數據解析為寫入的數據）
• step3：讀取TFRecords文件
• step4：解析數據

image_feature_description = {'height': tf.io.FixedLenFeature([], tf.int64),'width': tf.io.FixedLenFeature([], tf.int64),'depth': tf.io.FixedLenFeature([], tf.int64),'label': tf.io.FixedLenFeature([], tf.int64),'image_raw': tf.io.FixedLenFeature([], tf.string), } # step1 def _parse_image_function(example_proto):# Parse the input tf.Example proto using the dictionary above.return tf.io.parse_single_example(example_proto, image_feature_description) # step2raw_image_dataset = tf.data.TFRecordDataset('test.tfrecord') # step3 parsed_image_dataset = raw_image_dataset.map(_parse_image_function) # step4

讀取出來的圖片數據是string，也就是byte格式，如果是顯示的話直接通過IPython.display.display即可顯示圖片，如果要轉換為array需要進行數據類型轉換和reshape。

2. 微信公眾號

總結

以上是生活随笔為你收集整理的TF2.0 TFRecord创建和读取的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。