Tensorflow 提供了一種統一的格式來存儲數據，這個格式就是TFRecord,上一篇文章中所提到的方法當數據的來源更復雜，每個樣例中的信息更豐富的時候就很難有效的記錄輸入數據中的信息了，于是Tensorflow提供了TFRecord來統一存儲數據，接下來我們就來介紹如何使用TFRecord來同意輸入數據的格式。

1. TFRecord格式介紹

TFRecord文件中的數據是通過tf.train.Example Protocol Buffer的格式存儲的，下面是tf.train.Example的定義

message Example { Features features = 1;};message Features{ map<string,Feature> featrue = 1;};message Feature{  oneof kind{    BytesList bytes_list = 1;    FloatList float_list = 2;    Int64List int64_list = 3;  }};

從上述代碼可以看到，ft.train.Example 的數據結構相對簡潔。tf.train.Example中包含了一個從屬性名稱到取值的字典，其中屬性名稱為一個字符串，屬性的取值可以為字符串（BytesList ），實數列表（FloatList ）或整數列表（Int64List ）。例如我們可以將解碼前的圖片作為字符串，圖像對應的類別標號作為整數列表。

2. 將自己的數據轉化為TFRecord格式

準備數據

在上一篇中，我們為了像偉大的MNIST致敬，所以選擇圖像的前綴來進行不同類別的分類依據，但是大多數的情況下，在進行分類任務的過程中，不同的類別都會放在不同的文件夾下，而且類別的個數往往浮動性又很大，所以針對這樣的情況，我們現在利用不同類別在不同文件夾中的圖像來生成TFRecord.

我們在Iris&Contact這個文件夾下有兩個文件夾，分別為iris,contact。對于每個文件夾中存放的是對應的圖片

轉換數據

數據準備好以后，就開始準備生成TFRecord,具體代碼如下：

import os import tensorflow as tf from PIL import Image import matplotlib.pyplot as plt cwd='/home/ruyiwei/Documents/Iris&Contact/'classes={'iris','contact'} writer= tf.python_io.TFRecordWriter("iris_contact.tfrecords") for index,name in enumerate(classes):  class_path=cwd+name+'/'  for img_name in os.listdir(class_path):     img_path=class_path+img_name     img=Image.open(img_path)    img= img.resize((512,80))    img_raw=img.tobytes()    #plt.imshow(img) # if you want to check you image,please delete '#'    #plt.show()    example = tf.train.Example(features=tf.train.Features(feature={      "label": tf.train.Feature(int64_list=tf.train.Int64List(value=[index])),      'img_raw': tf.train.Feature(bytes_list=tf.train.BytesList(value=[img_raw]))    }))     writer.write(example.SerializeToString()) writer.close()

3. Tensorflow從TFRecord中讀取數據

def read_and_decode(filename): # read iris_contact.tfrecords  filename_queue = tf.train.string_input_producer([filename])# create a queue  reader = tf.TFRecordReader()  _, serialized_example = reader.read(filename_queue)#return file_name and file  features = tf.parse_single_example(serialized_example,                    features={                      'label': tf.FixedLenFeature([], tf.int64),                      'img_raw' : tf.FixedLenFeature([], tf.string),                    })#return image and label  img = tf.decode_raw(features['img_raw'], tf.uint8)  img = tf.reshape(img, [512, 80, 3]) #reshape image to 512*80*3  img = tf.cast(img, tf.float32) * (1. / 255) - 0.5 #throw img tensor  label = tf.cast(features['label'], tf.int32) #throw label tensor  return img, label