這篇文章給大家介紹使用TFRecord怎么存取多個數(shù)據(jù)，內(nèi)容非常詳細(xì)，感興趣的小伙伴們可以參考借鑒，希望對大家能有所幫助。

創(chuàng)新互聯(lián)公司專注于企業(yè)成都全網(wǎng)營銷推廣、網(wǎng)站重做改版、內(nèi)江網(wǎng)站定制設(shè)計、自適應(yīng)品牌網(wǎng)站建設(shè)、H5響應(yīng)式網(wǎng)站、商城網(wǎng)站制作、集團(tuán)公司官網(wǎng)建設(shè)、成都外貿(mào)網(wǎng)站建設(shè)、高端網(wǎng)站制作、響應(yīng)式網(wǎng)頁設(shè)計等建站業(yè)務(wù)，價格優(yōu)惠性價比高，為內(nèi)江等各大城市提供網(wǎng)站開發(fā)制作服務(wù)。

TensorFlow提供了一種統(tǒng)一的格式來存儲數(shù)據(jù)，就是TFRecord，它可以統(tǒng)一不同的原始數(shù)據(jù)格式，并且更加有效地管理不同的屬性。

TFRecord格式

TFRecord文件中的數(shù)據(jù)都是用tf.train.Example Protocol Buffer的格式來存儲的，tf.train.Example可以被定義為：

message Example{
  Features features = 1
}

message Features{
  map<string, Feature> feature = 1
}

message Feature{
  oneof kind{
    BytesList bytes_list = 1
    FloatList float_list = 1
    Int64List int64_list = 1
  }
}

可以看出Example是一個嵌套的數(shù)據(jù)結(jié)構(gòu)，其中屬性名稱可以為一個字符串，其取值可以是字符串BytesList、實數(shù)列表FloatList或整數(shù)列表Int64List。

將數(shù)據(jù)轉(zhuǎn)化為TFRecord格式

以下代碼是將MNIST輸入數(shù)據(jù)轉(zhuǎn)化為TFRecord格式：

# -*- coding: utf-8 -*-

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
import numpy as np


# 生成整數(shù)型的屬性
def _int64_feature(value):
  return tf.train.Feature(int64_list=tf.train.Int64List(value=[value]))

# 生成浮點型的屬性
def _float_feature(value):
  return tf.train.Feature(float_list=tf.train.FloatList(value=[value]))  
#若想保存為數(shù)組，則要改成value=value即可


# 生成字符串型的屬性
def _bytes_feature(value):
  return tf.train.Feature(bytes_list=tf.train.BytesList(value=[value]))


mnist = input_data.read_data_sets("/tensorflow_google", dtype=tf.uint8, one_hot=True)
images = mnist.train.images
# 訓(xùn)練數(shù)據(jù)所對應(yīng)的正確答案，可以作為一個屬性保存在TFRecord中
labels = mnist.train.labels
# 訓(xùn)練數(shù)據(jù)的圖像分辨率，這可以作為Example中的一個屬性
pixels = images.shape[1]
num_examples = mnist.train.num_examples

# 輸出TFRecord文件的地址
filename = "/tensorflow_google/mnist_output.tfrecords"
# 創(chuàng)建一個writer來寫TFRecord文件
writer = tf.python_io.TFRecordWriter(filename)
for index in range(num_examples):
  # 將圖像矩陣轉(zhuǎn)換成一個字符串
  image_raw = images[index].tostring()
  # 將一個樣例轉(zhuǎn)化為Example Protocol Buffer, 并將所有的信息寫入這個數(shù)據(jù)結(jié)構(gòu)
  example = tf.train.Example(features=tf.train.Features(feature={
    'pixels': _int64_feature(pixels),
    'label': _int64_feature(np.argmax(labels[index])),
    'image_raw': _bytes_feature(image_raw)}))

  # 將一個Example寫入TFRecord文件
  writer.write(example.SerializeToString())
writer.close()

本程序?qū)NIST數(shù)據(jù)集中所有的訓(xùn)練數(shù)據(jù)存儲到了一個TFRecord文件中，若數(shù)據(jù)量較大，也可以存入多個文件。

從TFRecord文件中讀取數(shù)據(jù)

以下代碼可以從上面代碼中的TFRecord中讀取單個或多個訓(xùn)練數(shù)據(jù)：

# -*- coding: utf-8 -*-
import tensorflow as tf

# 創(chuàng)建一個reader來讀取TFRecord文件中的樣例
reader = tf.TFRecordReader()
# 創(chuàng)建一個隊列來維護(hù)輸入文件列表
filename_queue = tf.train.string_input_producer(["/Users/gaoyue/文檔/Program/tensorflow_google/chapter7"
                         "/mnist_output.tfrecords"])

# 從文件中讀出一個樣例，也可以使用read_up_to函數(shù)一次性讀取多個樣例
# _, serialized_example = reader.read(filename_queue)
_, serialized_example = reader.read_up_to(filename_queue, 6) #讀取6個樣例
# 解析讀入的一個樣例，如果需要解析多個樣例，可以用parse_example函數(shù)
# features = tf.parse_single_example(serialized_example, features={
# 解析多個樣例
features = tf.parse_example(serialized_example, features={
  # TensorFlow提供兩種不同的屬性解析方法
  # 第一種是tf.FixedLenFeature,得到的解析結(jié)果為Tensor
  # 第二種是tf.VarLenFeature,得到的解析結(jié)果為SparseTensor，用于處理稀疏數(shù)據(jù)
  # 解析數(shù)據(jù)的格式需要與寫入數(shù)據(jù)的格式一致
  'image_raw': tf.FixedLenFeature([], tf.string),
  'pixels': tf.FixedLenFeature([], tf.int64),
  'label': tf.FixedLenFeature([], tf.int64),
})

# tf.decode_raw可以將字符串解析成圖像對應(yīng)的像素數(shù)組
images = tf.decode_raw(features['image_raw'], tf.uint8)
labels = tf.cast(features['label'], tf.int32)
pixels = tf.cast(features['pixels'], tf.int32)

sess = tf.Session()
# 啟動多線程處理輸入數(shù)據(jù)
coord = tf.train.Coordinator()
threads = tf.train.start_queue_runners(sess=sess, coord=coord)

# 每次運(yùn)行可以讀取TFRecord中的一個樣例，當(dāng)所有樣例都讀完之后，會重頭讀取
# for i in range(10):
#   image, label, pixel = sess.run([images, labels, pixels])
#   # print(image, label, pixel)
#   print(label, pixel)

# 讀取TFRecord中的前6個樣例，若加入循環(huán)，則會每次從上次輸出的地方繼續(xù)順序讀6個樣例
image, label, pixel = sess.run([images, labels, pixels])
print(label, pixel)

sess.close()

>> [7 3 4 6 1 8] [784 784 784 784 784 784]

輸出結(jié)果顯示，從TFRecord文件中順序讀出前6個樣例。

關(guān)于使用TFRecord怎么存取多個數(shù)據(jù)就分享到這里了，希望以上內(nèi)容可以對大家有一定的幫助，可以學(xué)到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到。

另外有需要云服務(wù)器可以了解下創(chuàng)新互聯(lián)scvps.cn，海內(nèi)外云服務(wù)器15元起步，三天無理由+7*72小時售后在線，公司持有idc許可證，提供“云服務(wù)器、裸金屬服務(wù)器、高防服務(wù)器、香港服務(wù)器、美國服務(wù)器、虛擬主機(jī)、免備案服務(wù)器”等云主機(jī)租用服務(wù)以及企業(yè)上云的綜合解決方案，具有“安全穩(wěn)定、簡單易用、服務(wù)可用性高、性價比高”等特點與優(yōu)勢，專為企業(yè)上云打造定制，能夠滿足用戶豐富、多元化的應(yīng)用場景需求。

本文標(biāo)題：使用TFRecord怎么存取多個數(shù)據(jù)-創(chuàng)新互聯(lián)
標(biāo)題來源：http://jinyejixie.com/article40/ccspho.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供關(guān)鍵詞優(yōu)化、品牌網(wǎng)站設(shè)計、全網(wǎng)營銷推廣、定制開發(fā)、網(wǎng)站策劃、ChatGPT

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)