利用tensorflow训练自己的图片数据（1）——预处理

一. 准备原始数据

首先，我们需要准备训练的原始数据，本次训练为图像分类识别，因而一开始，笔者从网上随机的下载了Dog的四种类别：husky，jiwawa，poodle，qiutian。每种类别30种，一共120张图片。在训练之前，需要做的就是进行图像的预处理，即将这些大小不一的原始图片转换成我们训练需要的shape。

下载的原始图片分别放到同一文件的不同文件夹下，如：

二. 编程实现

该部分包括：制作Tfrecords，读取Tfrecords数据获得iamge和label，打印验证并保存生成的图片。

#将原始图片转换成需要的大小，并将其保存
#========================================================================================
import os  
import tensorflow as tf  
from PIL import Image  
  
#原始图片的存储位置
orig_picture = 'E:/train_test/train_data/generate_sample/'

#生成图片的存储位置
gen_picture = 'E:/Re_train/image_data/inputdata/'

#需要的识别类型
classes = {'husky','jiwawa','poodle','qiutian'} 

#样本总数
num_samples = 120 
   
#制作TFRecords数据  
def create_record():  
    writer = tf.python_io.TFRecordWriter("dog_train.tfrecords")  
    for index, name in enumerate(classes):  
        class_path = orig_picture +"/"+ name+"/"  
        for img_name in os.listdir(class_path):  
            img_path = class_path + img_name  
            img = Image.open(img_path)  
            img = img.resize((64, 64))    #设置需要转换的图片大小
            img_raw = img.tobytes()      #将图片转化为原生bytes  
            print (index,img_raw)  
            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()  
    
#=======================================================================================
def read_and_decode(filename):  
    # 创建文件队列,不限读取的数量  
    filename_queue = tf.train.string_input_producer([filename])  
    # create a reader from file queue  
    reader = tf.TFRecordReader()  
    # reader从文件队列中读入一个序列化的样本  
    _, serialized_example = reader.read(filename_queue)  
    # get feature from serialized example  
    # 解析符号化的样本  
    features = tf.parse_single_example(  
        serialized_example,  
        features={  
            'label': tf.FixedLenFeature([], tf.int64),  
            'img_raw': tf.FixedLenFeature([], tf.string)  
        })  
    label = features['label']  
    img = features['img_raw']  
    img = tf.decode_raw(img, tf.uint8)  
    img = tf.reshape(img, [64, 64, 3])  
    #img = tf.cast(img, tf.float32) * (1. / 255) - 0.5  
    label = tf.cast(label, tf.int32)  
    return img, label  

#=======================================================================================
if __name__ == '__main__':  
    create_record()  
    batch = read_and_decode('dog_train.tfrecords')  
    init_op = tf.group(tf.global_variables_initializer(), tf.local_variables_initializer())  
      
    with tf.Session() as sess: #开始一个会话    
        sess.run(init_op)    
        coord=tf.train.Coordinator()    
        threads= tf.train.start_queue_runners(coord=coord)  
        
        for i in range(num_samples):    
            example, lab = sess.run(batch)#在会话中取出image和label    
            img=Image.fromarray(example, 'RGB')#这里Image是之前提到的 
            img.save(gen_picture+'/'+str(i)+'samples'+str(lab)+'.jpg')#存下图片;注意cwd后边加上‘/’    
            print(example, lab)    
        coord.request_stop()    
        coord.join(threads)   
        sess.close()  
        
#========================================================================================  

运行程序，得到的结果都保存在gen_picture文件中。一方面，我们可以通过生成图片的命名，验证label是否与图片对应；另一方面，我们将生成的120张图片按照图片命名中的label，分别放到四个不同的文件夹下，作为后续操作的inputdata数据，如下：

此处生成的四类图片husky，jiwawa，poodle，qiutian；其shape = 64 x 64，大小一致，一共120张。