TFRecords是TensorFlow中的设计的一种内置的文件格式，它是一种二进制文件，优点有如下几种：
- 统一不同输入文件的框架
- 它是更好的利用内存，更方便复制和移动（TFRecord压缩的二进制文件, protocal buffer序列化）
- 是用于将二进制数据和标签（训练的类别标签）数据存储在同一个文件中
一、将其他数据存储为TFRecords文件的时候，需要经过两个步骤：
建立TFRecord存储器
在tensorflow中使用下面语句来简历tfrecord存储器：
tf.python_io.TFRecordWriter(path)
path : 创建的TFRecords文件的路径
方法:
- write（record):向文件中写入一个字符串记录（即一个样本）
- close() : 在写入所有文件后，关闭文件写入器。
注：此处的字符串为一个序列化的Example,通过Example.SerializeToString()来实现，它的作用是将Example中的map压缩为二进制，节约大量空间。
构造每个样本的Example模块
Example模块的定义如下：
message Example {
Features features = 1;
};
message Features {
map<string, Feature> feature = 1;
};
message Feature {
oneof kind {
BytesList bytes_list = 1;
FloatList float_list = 2;
Int64List int64_list = 3;
}
};
可以看到，Example中可以包括三种格式的数据：tf.int64，tf.float32和二进制类型。
features是以键值对的形式保存的。示例代码如下：
example = tf.train.Example(
features=tf.train.Features(feature={
"label": tf.train.Feature(float_list=tf.train.FloatList(value=[string[1]])),
'img_raw': tf.train.Feature(bytes_list=tf.train.BytesList(value=[img_raw])),
'x1_offset':tf.train.Feature(float_list=tf.train.FloatList(value=[string[2]])),
'y1_offset': tf.train.Feature(float_list=tf.train.FloatList(value=[string[3]])),
'x2_offset': tf.train.Feature(float_list=tf.train.FloatList(value=[string[4]])),
'y2_offset': tf.train.Feature(float_list=tf.train.FloatList(value=[string[5]])),
'beta_det':tf.train.Feature(float_list=tf.train.FloatList(value=[string[6]])),
'beta_bbox':tf.train.Feature(float_list=tf.train.FloatList(value=[string[7]]))
}))
构造好了Example模块后，我们就可以将样本写入文件了：
writer.write(example.SerializeToString())
文件全部写入后不要忘记关闭文件写入器。
二、创建好我们自己的tfrecords文件后，我们就可以在训练的时候使用它啦。tensorflow为我们提供了Dataset这个API以方便地使用tfrecords文件。
首先，我们要定义一个解析tfrecords的函数，它用来将二进制文件解析为张量。示例代码如下：
def pares_tf(example_proto):
#定义解析的字典
dics = {
'label': tf.FixedLenFeature([], tf.float32),
'img_raw': tf.FixedLenFeature([], tf.string),
'x1_offset': tf.FixedLenFeature([], tf.float32),
'y1_offset': tf.FixedLenFeature([], tf.float32),
'x2_offset': tf.FixedLenFeature([], tf.float32),
'y2_offset': tf.FixedLenFeature([], tf.float32),
'beta_det': tf.FixedLenFeature([], tf.float32),
'beta_bbox': tf.FixedLenFeature([], tf.float32)}
#调用接口解析一行样本
parsed_example = tf.parse_single_example(serialized=example_proto,features=dics)
image = tf.decode_raw(parsed_example['img_raw'],out_type=tf.uint8)
image = tf.reshape(image,shape=[12,12,3])
#这里对图像数据做归一化
image = (tf.cast(image,tf.float32)/255.0)
label = parsed_example['label']
label=tf.reshape(label,shape=[1])
label = tf.cast(label,tf.float32)
x1_offset=parsed_example['x1_offset']
x1_offset = tf.reshape(x1_offset, shape=[1])
y1_offset=parsed_example['y1_offset']
y1_offset = tf.reshape(y1_offset, shape=[1])
x2_offset=parsed_example['x2_offset']
x2_offset = tf.reshape(x2_offset, shape=[1])
y2_offset=parsed_example['y2_offset']
y2_offset = tf.reshape(y2_offset, shape=[1])
beta_det=parsed_example['beta_det']
beta_det=tf.reshape(beta_det,shape=[1])
beta_bbox=parsed_example['beta_bbox']
beta_bbox=tf.reshape(beta_bbox,shape=[1])
return image,label,x1_offset,y1_offset,x2_offset,y2_offset,beta_det,beta_bbox
接下来，我们需要使用tf.data.TFRecordDataset(filenames)读入tfrecords文件。
一个Dataset通过Transformation变成一个新的Dataset。通常我们可以通过Transformation完成数据变换，打乱，组成batch，生成epoch等一系列操作。
常用的Transformation有：map、batch、shuffle、repeat。
map:
map接收一个函数，Dataset中的每个元素都会被当作这个函数的输入，并将函数返回值作为新的Dataset
batch:
batch就是将多个元素组合成batch
repeat:
repeat的功能就是将整个序列重复多次，主要用来处理机器学习中的epoch，假设原先的数据是一个epoch，使用repeat(5)就可以将之变成5个epoch
shuffle:
shuffle的功能为打乱dataset中的元素，它有一个参数buffersize,表示打乱时使用的大小。
示例代码：
dataset = tf.data.TFRecordDataset(filenames=[filename])
dataset = dataset.map(pares_tf)
dataset = dataset.batch(16).repeat(1)#整个序列只使用一次，每次使用16个样本组成一个批次
现在这一个批次的样本做好了，如何将它取出以用于训练呢？答案是使用迭代器，在tensorflow中的语句如下：
iterator = dataset.make_one_shot_iterator()
所谓one_shot意味着只能从头到尾读取一次，那如何在每一个训练轮次中取出不同的样本呢？iterator的get_netxt()方法可以实现这一点。需要注意的是，这里使用get_next()得到的只是一个tensor，并不是一个具体的值，在训练的时候要使用这个值的话，我们需要在session里面来取得。
使用dataset读取tfrecords文件的完整代码如下：
def pares_tf(example_proto):
#定义解析的字典
dics = {
'label': tf.FixedLenFeature([], tf.float32),
'img_raw': tf.FixedLenFeature([], tf.string),
'x1_offset': tf.FixedLenFeature([], tf.float32),
'y1_offset': tf.FixedLenFeature([], tf.float32),
'x2_offset': tf.FixedLenFeature([], tf.float32),
'y2_offset': tf.FixedLenFeature([], tf.float32),
'beta_det': tf.FixedLenFeature([], tf.float32),
'beta_bbox': tf.FixedLenFeature([], tf.float32)}
#调用接口解析一行样本
parsed_example = tf.parse_single_example(serialized=example_proto,features=dics)
image = tf.decode_raw(parsed_example['img_raw'],out_type=tf.uint8)
image = tf.reshape(image,shape=[12,12,3])
#这里对图像数据做归一化
image = (tf.cast(image,tf.float32)/255.0)
label = parsed_example['label']
label=tf.reshape(label,shape=[1])
label = tf.cast(label,tf.float32)
x1_offset=parsed_example['x1_offset']
x1_offset = tf.reshape(x1_offset, shape=[1])
y1_offset=parsed_example['y1_offset']
y1_offset = tf.reshape(y1_offset, shape=[1])
x2_offset=parsed_example['x2_offset']
x2_offset = tf.reshape(x2_offset, shape=[1])
y2_offset=parsed_example['y2_offset']
y2_offset = tf.reshape(y2_offset, shape=[1])
beta_det=parsed_example['beta_det']
beta_det=tf.reshape(beta_det,shape=[1])
beta_bbox=parsed_example['beta_bbox']
beta_bbox=tf.reshape(beta_bbox,shape=[1])
return image,label,x1_offset,y1_offset,x2_offset,y2_offset,beta_det,beta_bbox
dataset = tf.data.TFRecordDataset(filenames=[filename])
dataset = dataset.map(pares_tf)
dataset = dataset.batch(16).repeat(1)
iterator = dataset.make_one_shot_iterator()
next_element = iterator.get_next()
with tf.Session() as sess:
img, label, x1_offset, y1_offset, x2_offset, y2_offset, beta_det, beta_bbox = sess.run(fetches=next_element)