def tfrecord_dataset():
filepath = os.path.dirname(basis_code.get_andclean_image())
#从TFRecord文件创建数据集
files = glob.glob(os.path.join(filepath, "output.tfrecords*"))
dataset = tf.data.TFRecordDataset(files)
#map()函数表示对数据集中的每一条数据进行调用相应的方法。使用TFRecordDataset读取的是二进制的数据，这里需要通过map()来调用parse对二进制数据进行解析。
dataset = dataset.map(parse)
#定义迭代器
iterator = dataset.make_one_shot_iterator()
image, pixels, labels = iterator.get_next()
with tf.Session() as sess:
for i in range(10):
print(sess.run([image, pixels, labels]))
def initializable_iterator():
filepath = os.path.dirname(basis_code.get_andclean_image())
files = glob.glob(os.path.join(filepath, "output.tfr*"))
#从TFRecord文件创建数据集，具体文件路径是一个placeholder，稍后再提供具体的路径
place_file = tf.placeholder(tf.string)
dataset = tf.data.TFRecordDataset(place_file)
dataset = dataset.map(parse)
#还有其他迭代器，比如reinitializable_iterator和feedable_iterator两种更加灵活的迭代器，前者可以多次initialize用于遍历不同的数据来源，而后者可以用feed_dict的方式动态指定运行哪个iterator.具体使用参考官网API
iterator = dataset.make_initializable_iterator()
image, pixels, labels = iterator.get_next()
with tf.Session() as sess:
#首先初始化迭代器，并给出文件路径
sess.run(iterator.initializer, feed_dict={place_file: files})
#遍历所有数据，当遍历结束时，程序会抛出OutOfRangeError。在实际问题中，我们也不太清楚应该遍历几次，所以可以用while循环。
while True:
try:
print(sess.run([image, pixels, labels]))
except tf.errors.OutOfRangeError:
break
def text_dataset():
filepath = os.path.dirname(basis_code.get_andclean_image())
#构造文件
for i in range(2):
filepaths = os.path.join(filepath, "input_files" + str(i))
file = open(filepaths, "a+")
for j in range(5):
if i == 1:
j = j + 5
file.write(str(j))
file.close()
#获取构造的文件路径列表
files = glob.glob(os.path.join(filepath, "input_files*"))
#创建数据集
dataset = tf.data.TextLineDataset(files)
iterator = dataset.make_one_shot_iterator()
x = iterator.get_next()
with tf.Session() as sess:
for i in range(2):
print(sess.run(x))
#删除构造的文件
for file in files:
os.remove(file)
image = tf.image.convert_image_dtype(image, tf.float32)
#随机截取图像，减少需要关注的物体大小对图像识别算法的影响
bbox_begin, bbox_size, _ = tf.image.sample_distorted_bounding_box(
tf.shape(image), bounding_boxes=bbox)
distorted_image = tf.slice(image, bbox_begin, bbox_size)
#将随机截取的图像调整为神经网络输入层的大小。大小调整算法是随机选择的
distorted_image = tf.image.resize_images(distorted_image, [height, width],
method=np.random.randint(4))
#随机上下翻转图像
distorted_image = tf.image.random_flip_up_down(distorted_image)
#随机左右翻转图像
distorted_image = tf.image.random_flip_left_right(distorted_image)
#随机使用一种顺序调整图片色彩
distorted_image = distort_color(distorted_image,
color_ordering=np.random.randint(2))
return distorted_image
#通过上面程序，就可以通过一张训练图像衍生出很多训练样本。通过将训练图像预处理，训练得到的神经网络模型可以识别不同大小、方位、色彩等方面的实体
if __name__ == "__main__":
filepath = basis_code.get_andclean_image()
image = basis_code.basis_decode(filepath)
boxes = tf.constant([[[0.13, 0.24, 0.55, 0.89], [0.33, 0.43, 0.48, 0.67]]])
with tf.Session() as sess:
#运行6次获得6种不同的图像
for i in range(6):
result = preprocess_for_train(image, 180, 267, boxes)
basis.drawing(sess.run(result))
basis_code.basis_encode(result,
basis_code.get_encode_path(filepath, i))
"img_data":
tf.FixedLenFeature([], tf.string),
"labels":
tf.FixedLenFeature([], tf.int64)
})
image = tf.decode_raw(example["img_data"], tf.uint8)
labels = tf.cast(example["labels"], tf.int32)
with tf.Session() as sess:
#虽然在本段程序中没有声明任何变量，但使用tf.train.match_filenames_once函数时需要初始化一些变量
tf.local_variables_initializer().run()
Log_Util.getlogger("file names").info(sess.run(files))
#声明tf.train.Coordinator类来协同不同线程，并启动线程
coord = tf.train.Coordinator()
threads = tf.train.start_queue_runners(sess=sess, coord=coord)
for i in range(6):
Log_Util.getlogger("read img data").info(sess.run(image))
Log_Util.getlogger("read labels").info(sess.run(labels))
coord.request_stop()
coord.join(threads)
print("all thread stop!")
if __name__ == "__main__":
decode_path = basis_code.get_andclean_image()
write_path = os.path.dirname(decode_path)
write_tfrecord(decode_path, write_path)
read_tfrecord(write_path)
import tensorflow as tf
import os
from com.tensorflow.exercise.preprocess import image_size as basis_code
from com.tensorflow.exercise.preprocess import preprocess_case
from com.tensorflow.exercise.mnist.final import mnist_inference
'''
下面这个案例将完成预处理全流程，也就是下面的流程:
指定原始数据的文件列表---->创建文件列表队列---->从文件中读取数据---->数据预处理---->整理成batch作为神经网络输入
'''
if __name__ == "__main__":
filepath = os.path.dirname(basis_code.get_andclean_image())
#1.指定原始文件列表
files = tf.train.match_filenames_once(
os.path.join(filepath, "data.tfrecords-*"))
#2.创建文件列表队列
filename_queue = tf.train.string_input_producer(files)
reader = tf.TFRecordReader()
#3.从文件中读取数据
_, seriallzed_example = reader.read_up_to(filename_queue, 3)
features = tf.parse_example(seriallzed_example,
features={
"img_data": tf.FixedLenFeature([],
tf.string),
"labels": tf.FixedLenFeature([], tf.int64)
})
img_data = tf.decode_raw(features["img_data"], tf.uint8)
labels = tf.cast(features["labels"], tf.int32)
#定义神经网络输入层大小
image_size = 784
#此处必须转换为3维
img_data = tf.reshape(img_data, [3, 10, 3])
