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