Tensorflow 中（批量）读取数据的案列分析及TFRecord文件的打包与读取

内容概要：

单一数据读取方式：

　　第一种：slice_input_producer()

# 返回值可以直接通过 Session.run([images, labels])查看，且第一个参数必须放在列表中，如[...]

[images, labels] = tf.train.slice_input_producer([images, labels], num_epochs=None, shuffle=True)

　　第二种：string_input_producer()

# 需要定义文件读取器，然后通过读取器中的 read()方法来获取数据（返回值类型 key,value），再通过 Session.run(value)查看

file_queue = tf.train.string_input_producer(filename, num_epochs=None, shuffle=True)

reader = tf.WholeFileReader()           # 定义文件读取器

key, value = reader.read(file_queue)    # key：文件名；value：文件中的内容

　　！！！num_epochs=None，不指定迭代次数，这样文件队列中元素个数也不限定（None*数据集大小）。

　　！！！如果它不是None，则此函数创建本地计数器 epochs，需要使用local_variables_initializer()初始化局部变量

　　！！！以上两种方法都可以生成文件名队列。

（随机）批量数据读取方式：

batchsize=2　　# 每次读取的样本数量

tf.train.batch(tensors, batch_size=batchsize)

tf.train.shuffle_batch(tensors, batch_size=batchsize, capacity=batchsize*10, min_after_dequeue=batchsize*5) # capacity > min_after_dequeue

　　！！！以上所有读取数据的方法，在Session.run()之前必须开启文件队列线程 tf.train.start_queue_runners()

 TFRecord文件的打包与读取

 一、单一数据读取方式

第一种：slice_input_producer()

def slice_input_producer(tensor_list, num_epochs=None, shuffle=True, seed=None, capacity=32, shared_name=None, name=None)

案例1：

import tensorflow as tf

images = ['image1.jpg', 'image2.jpg', 'image3.jpg', 'image4.jpg']
labels = [1, 2, 3, 4]

# [images, labels] = tf.train.slice_input_producer([images, labels], num_epochs=None, shuffle=True)

# 当num_epochs=2时，此时文件队列中只有 2*4=8个样本，所有在取第9个样本时会出错
# [images, labels] = tf.train.slice_input_producer([images, labels], num_epochs=2, shuffle=True)

data = tf.train.slice_input_producer([images, labels], num_epochs=None, shuffle=True)
print(type(data))   # <class 'list'>

with tf.Session() as sess:
    # sess.run(tf.local_variables_initializer())
    sess.run(tf.local_variables_initializer())
    coord = tf.train.Coordinator()  # 线程的协调器
    threads = tf.train.start_queue_runners(sess, coord)  # 开始在图表中收集队列运行器

    for i in range(10):
        print(sess.run(data))

    coord.request_stop()
    coord.join(threads)

"""
运行结果：
[b'image2.jpg', 2]
[b'image1.jpg', 1]
[b'image3.jpg', 3]
[b'image4.jpg', 4]
[b'image2.jpg', 2]
[b'image1.jpg', 1]
[b'image3.jpg', 3]
[b'image4.jpg', 4]
[b'image2.jpg', 2]
[b'image3.jpg', 3]
"""

　　！！！slice_input_producer() 中的第一个参数需要放在一个列表中，列表中的每个元素可以是 List 或 Tensor，如 [images，labels]，

　　！！！num_epochs设置

 第二种：string_input_producer()

def string_input_producer(string_tensor, num_epochs=None, shuffle=True, seed=None, capacity=32, shared_name=None, name=None, cancel_op=None)

文件读取器

　　不同类型的文件对应不同的文件读取器，我们称为 reader对象；

　　该对象的 read 方法自动读取文件，并创建数据队列，输出key/文件名，value/文件内容；

reader = tf.TextLineReader()      ### 一行一行读取，适用于所有文本文件

reader = tf.TFRecordReader()      ### A Reader that outputs the records from a TFRecords file

reader = tf.WholeFileReader()     ### 一次读取整个文件，适用图片

 案例2：读取csv文件

iimport tensorflow as tf

filename = ['data/A.csv', 'data/B.csv', 'data/C.csv']

file_queue = tf.train.string_input_producer(filename, shuffle=True, num_epochs=2)   # 生成文件名队列
reader = tf.WholeFileReader()           # 定义文件读取器（一次读取整个文件）
# reader = tf.TextLineReader()            # 定义文件读取器(一行一行的读)
key, value = reader.read(file_queue)    # key：文件名；value：文件中的内容
print(type(file_queue))

init = [tf.global_variables_initializer(), tf.local_variables_initializer()]
with tf.Session() as sess:
    sess.run(init)
    coord = tf.train.Coordinator()
    threads = tf.train.start_queue_runners(sess=sess, coord=coord)
    try:
        while not coord.should_stop():
            for i in range(6):
                print(sess.run([key, value]))
            break
    except tf.errors.OutOfRangeError:
        print('read done')
    finally:
        coord.request_stop()
    coord.join(threads)

"""
reader = tf.WholeFileReader()           # 定义文件读取器（一次读取整个文件）
运行结果：
[b'data/C.csv', b'7.jpg,7
8.jpg,8
9.jpg,9
']
[b'data/B.csv', b'4.jpg,4
5.jpg,5
6.jpg,6
']
[b'data/A.csv', b'1.jpg,1
2.jpg,2
3.jpg,3
']
[b'data/A.csv', b'1.jpg,1
2.jpg,2
3.jpg,3
']
[b'data/B.csv', b'4.jpg,4
5.jpg,5
6.jpg,6
']
[b'data/C.csv', b'7.jpg,7
8.jpg,8
9.jpg,9
']
"""
"""
reader = tf.TextLineReader()           # 定义文件读取器(一行一行的读)
运行结果：
[b'data/B.csv:1', b'4.jpg,4']
[b'data/B.csv:2', b'5.jpg,5']
[b'data/B.csv:3', b'6.jpg,6']
[b'data/C.csv:1', b'7.jpg,7']
[b'data/C.csv:2', b'8.jpg,8']
[b'data/C.csv:3', b'9.jpg,9']
"""

案例3：读取图片（每次读取全部图片内容，不是一行一行）

import tensorflow as tf

filename = ['1.jpg', '2.jpg']
filename_queue = tf.train.string_input_producer(filename, shuffle=False, num_epochs=1)
reader = tf.WholeFileReader()              # 文件读取器
key, value = reader.read(filename_queue)   # 读取文件 key:文件名；value：图片数据，bytes

with tf.Session() as sess:
    tf.local_variables_initializer().run()
    coord = tf.train.Coordinator()      # 线程的协调器
    threads = tf.train.start_queue_runners(sess, coord)

    for i in range(filename.__len__()):
        image_data = sess.run(value)
        with open('img_%d.jpg' % i, 'wb') as f:
            f.write(image_data)
    coord.request_stop()
    coord.join(threads)

 二、（随机）批量数据读取方式：

　　功能：shuffle_batch() 和 batch() 这两个API都是从文件队列中批量获取数据，使用方式类似；

案例4：slice_input_producer() 与 batch()

import tensorflow as tf
import numpy as np

images = np.arange(20).reshape([10, 2])
label = np.asarray(range(0, 10))
images = tf.cast(images, tf.float32)　　# 可以注释掉，不影响运行结果
label = tf.cast(label, tf.int32)　　　　 # 可以注释掉，不影响运行结果

batchsize = 6   # 每次获取元素的数量
input_queue = tf.train.slice_input_producer([images, label], num_epochs=None, shuffle=False)
image_batch, label_batch = tf.train.batch(input_queue, batch_size=batchsize)

# 随机获取 batchsize个元素，其中，capacity：队列容量，这个参数一定要比 min_after_dequeue 大
# image_batch, label_batch = tf.train.shuffle_batch(input_queue, batch_size=batchsize, capacity=64, min_after_dequeue=10)

with tf.Session() as sess:
    coord = tf.train.Coordinator()      # 线程的协调器
    threads = tf.train.start_queue_runners(sess, coord)     # 开始在图表中收集队列运行器
    for cnt in range(2):
        print("第{}次获取数据,每次batch={}...".format(cnt+1, batchsize))
        image_batch_v, label_batch_v = sess.run([image_batch, label_batch])
        print(image_batch_v, label_batch_v, label_batch_v.__len__())

    coord.request_stop()
    coord.join(threads)

"""
运行结果：
第1次获取数据,每次batch=6...
[[ 0.  1.]
 [ 2.  3.]
 [ 4.  5.]
 [ 6.  7.]
 [ 8.  9.]
 [10. 11.]] [0 1 2 3 4 5] 6
第2次获取数据,每次batch=6...
[[12. 13.]
 [14. 15.]
 [16. 17.]
 [18. 19.]
 [ 0.  1.]
 [ 2.  3.]] [6 7 8 9 0 1] 6
"""

 案例5：从本地批量的读取图片 --- string_input_producer() 与 batch()

import tensorflow as tf
import glob
import cv2 as cv

def read_imgs(filename, picture_format, input_image_shape, batch_size=1):
    """
    从本地批量的读取图片
    :param filename: 图片路径（包括图片的文件名），[]
    :param picture_format: 图片的格式，如 bmp,jpg,png等; string
    :param input_image_shape: 输入图像的大小; (h,w,c)或[]
    :param batch_size: 每次从文件队列中加载图片的数量; int
    :return: batch_size张图片数据, Tensor
    """
    global new_img
    # 创建文件队列
    file_queue = tf.train.string_input_producer(filename, num_epochs=1, shuffle=True)
    # 创建文件读取器
    reader = tf.WholeFileReader()
    # 读取文件队列中的文件
    _, img_bytes = reader.read(file_queue)
    # print(img_bytes)    # Tensor("ReaderReadV2_19:1", shape=(), dtype=string)
    # 对图片进行解码
    if picture_format == ".bmp":
        new_img = tf.image.decode_bmp(img_bytes, channels=1)
    elif picture_format == ".jpg":
        new_img = tf.image.decode_jpeg(img_bytes, channels=3)
    else:
        pass
    # 重新设置图片的大小
    # new_img = tf.image.resize_images(new_img, input_image_shape)
    new_img = tf.reshape(new_img, input_image_shape)
    # 设置图片的数据类型
    new_img = tf.image.convert_image_dtype(new_img, tf.uint8)

    # return new_img
    return tf.train.batch([new_img], batch_size)


def main():
    image_path = glob.glob(r'F:demoFaceRecognition人脸库ORL*.bmp')
    image_batch = read_imgs(image_path, ".bmp", (112, 92, 1), 5)
    print(type(image_batch))
    # image_path = glob.glob(r'.*.jpg')
    # image_batch = read_imgs(image_path, ".jpg", (313, 500, 3), 1)

    sess = tf.Session()
    sess.run(tf.local_variables_initializer())
    tf.train.start_queue_runners(sess=sess)

    image_batch = sess.run(image_batch)
    print(type(image_batch))    # <class 'numpy.ndarray'>

    for i in range(image_batch.__len__()):
        cv.imshow("win_"+str(i), image_batch[i])
    cv.waitKey()
    cv.destroyAllWindows()

def start():
    image_path = glob.glob(r'F:demoFaceRecognition人脸库ORL*.bmp')
    image_batch = read_imgs(image_path, ".bmp", (112, 92, 1), 5)
    print(type(image_batch))    # <class 'tensorflow.python.framework.ops.Tensor'>


    with tf.Session() as sess:
        sess.run(tf.local_variables_initializer())
        coord = tf.train.Coordinator()      # 线程的协调器
        threads = tf.train.start_queue_runners(sess, coord)     # 开始在图表中收集队列运行器
        image_batch = sess.run(image_batch)
        print(type(image_batch))    # <class 'numpy.ndarray'>

        for i in range(image_batch.__len__()):
            cv.imshow("win_"+str(i), image_batch[i])
        cv.waitKey()
        cv.destroyAllWindows()

        # 若使用 with 方式打开 Session，且没加如下2行语句，则会出错
        # ERROR:tensorflow:Exception in QueueRunner: Enqueue operation was cancelled；
        # 原因：文件队列线程还处于工作状态（队列中还有图片数据），而加载完batch_size张图片会话就会自动关闭，同时关闭文件队列线程
        coord.request_stop()
        coord.join(threads)


if __name__ == "__main__":
    # main()
    start()

案列6：TFRecord文件打包与读取

def write_TFRecord(filename, data, labels, is_shuffler=True):
    """
    将数据打包成TFRecord格式
    :param filename: 打包后路径名，默认在工程目录下创建该文件；String
    :param data: 需要打包的文件路径名；list
    :param labels: 对应文件的标签；list
    :param is_shuffler:是否随机初始化打包后的数据，默认：True；Bool
    :return: None
    """
    im_data = list(data)
    im_labels = list(labels)

    index = [i for i in range(im_data.__len__())]
    if is_shuffler:
        np.random.shuffle(index)

    # 创建写入器，然后使用该对象写入样本example
    writer = tf.python_io.TFRecordWriter(filename)
    for i in range(im_data.__len__()):
        im_d = im_data[index[i]]    # im_d:存放着第index[i]张图片的路径信息
        im_l = im_labels[index[i]]  # im_l：存放着对应图片的标签信息

        # # 获取当前的图片数据  方式一：
        # data = cv2.imread(im_d)
        # # 创建样本
        # ex = tf.train.Example(
        #     features=tf.train.Features(
        #         feature={
        #             "image": tf.train.Feature(
        #                 bytes_list=tf.train.BytesList(
        #                     value=[data.tobytes()])), # 需要打包成bytes类型
        #             "label": tf.train.Feature(
        #                 int64_list=tf.train.Int64List(
        #                     value=[im_l])),
        #         }
        #     )
        # )
        # 获取当前的图片数据  方式二：相对于方式一，打包文件占用空间小了一半多
        data = tf.gfile.FastGFile(im_d, "rb").read()
        ex = tf.train.Example(
            features=tf.train.Features(
                feature={
                    "image": tf.train.Feature(
                        bytes_list=tf.train.BytesList(
                            value=[data])), # 此时的data已经是bytes类型
                    "label": tf.train.Feature(
                        int64_list=tf.train.Int64List(
                            value=[im_l])),
                }
            )
        )

        # 写入将序列化之后的样本
        writer.write(ex.SerializeToString())
    # 关闭写入器
    writer.close()

import tensorflow as tf
import cv2

def read_TFRecord(file_list, batch_size=10):
    """
    读取TFRecord文件
    :param file_list: 存放TFRecord的文件名，List
    :param batch_size: 每次读取图片的数量
    :return: 解析后图片及对应的标签
    """
    file_queue = tf.train.string_input_producer(file_list, num_epochs=None, shuffle=True)
    reader = tf.TFRecordReader()
    _, ex = reader.read(file_queue)
    batch = tf.train.shuffle_batch([ex], batch_size, capacity=batch_size * 10, min_after_dequeue=batch_size * 5)

    feature = {
        'image': tf.FixedLenFeature([], tf.string),
        'label': tf.FixedLenFeature([], tf.int64)
    }
    example = tf.parse_example(batch, features=feature)

    images = tf.decode_raw(example['image'], tf.uint8)
    images = tf.reshape(images, [-1, 32, 32, 3])

    return images, example['label']



def main():
    # filelist = ['data/train.tfrecord']
    filelist = ['data/test.tfrecord']
    images, labels = read_TFRecord(filelist, 2)
    with tf.Session() as sess:
        sess.run(tf.local_variables_initializer())
        coord = tf.train.Coordinator()
        threads = tf.train.start_queue_runners(sess=sess, coord=coord)

        try:
            while not coord.should_stop():
                for i in range(1):
                    image_bth, _ = sess.run([images, labels])
                    print(_)

                    cv2.imshow("image_0", image_bth[0])
                    cv2.imshow("image_1", image_bth[1])
                break
        except tf.errors.OutOfRangeError:
            print('read done')
        finally:
            coord.request_stop()
        coord.join(threads)
        cv2.waitKey(0)
        cv2.destroyAllWindows()

if __name__ == "__main__":
    main()