Tensorflow:加载未知的TFRecord数据集
我得到了一个TFRecord数据文件Tensorflow:加载未知的TFRecord数据集,tensorflow,tensorflow-datasets,Tensorflow,Tensorflow Datasets,我得到了一个TFRecord数据文件filename=train-00000-of-00001,其中包含未知大小的图像,可能还有其他信息。我知道我可以使用dataset=tf.data.TFRecordDataset(文件名)打开数据集 如何从该文件中提取图像以将其保存为numpy数组 我也不知道TFRecord文件中是否保存了任何其他信息,如标签或分辨率。我怎样才能得到这些信息?如何将它们保存为numpy数组 我通常只使用numpy数组,不熟悉TFRecord数据文件。1。)如何从该文件提取图
filename=train-00000-of-00001
,其中包含未知大小的图像,可能还有其他信息。我知道我可以使用dataset=tf.data.TFRecordDataset(文件名)
打开数据集
如何从该文件中提取图像以将其保存为numpy数组
我也不知道TFRecord文件中是否保存了任何其他信息,如标签或分辨率。我怎样才能得到这些信息?如何将它们保存为numpy数组
我通常只使用numpy数组,不熟悉TFRecord数据文件。1。)如何从该文件提取图像以将其保存为numpy数组?
您需要的是:
record_iterator = tf.python_io.tf_record_iterator(path=filename)
for string_record in record_iterator:
example = tf.train.Example()
example.ParseFromString(string_record)
print(example)
# Exit after 1 iteration as this is purely demonstrative.
break
2.)我如何获得这些信息?
这是官员。我强烈建议您阅读文档,因为它一步一步地介绍了如何提取您要查找的值
本质上,您必须将示例
转换为字典。因此,如果我想找出tfrecord文件中有什么类型的信息,我会这样做(在第一个问题所述代码的上下文中):dict(example.features.feature.keys()
3.)如何将它们保存为numpy数组?
我将以上面提到的for循环为基础。因此,对于每个循环,它都会提取您感兴趣的值,并将它们附加到numpy数组中。如果需要,可以从这些阵列创建一个数据帧,并将其保存为csv文件
但是…
您似乎有多个tfrecord文件。。。返回用于训练模型的数据集
因此,对于多个TFR记录,您将需要一个双for循环。外部循环将遍历每个文件。对于该特定文件,内部循环将遍历所有tf.examples
编辑:
import tensorflow as tf
from PIL import Image
import io
import numpy as np
# Load image
cat_in_snow = tf.keras.utils.get_file(path, 'https://storage.googleapis.com/download.tensorflow.org/example_images/320px-Felis_catus-cat_on_snow.jpg')
#------------------------------------------------------Convert to tfrecords
def _bytes_feature(value):
"""Returns a bytes_list from a string / byte."""
return tf.train.Feature(bytes_list=tf.train.BytesList(value=[value]))
def image_example(image_string):
feature = {
'image_raw': _bytes_feature(image_string),
}
return tf.train.Example(features=tf.train.Features(feature=feature))
with tf.python_io.TFRecordWriter('images.tfrecords') as writer:
image_string = open(cat_in_snow, 'rb').read()
tf_example = image_example(image_string)
writer.write(tf_example.SerializeToString())
#------------------------------------------------------
#------------------------------------------------------Begin Operation
record_iterator = tf.python_io.tf_record_iterator(path to tfrecord file)
for string_record in record_iterator:
example = tf.train.Example()
example.ParseFromString(string_record)
print(example)
# OPTION 1: convert bytes to arrays using PIL and IO
example_bytes = dict(example.features.feature)['image_raw'].bytes_list.value[0]
PIL_array = np.array(Image.open(io.BytesIO(example_bytes)))
# OPTION 2: convert bytes to arrays using Tensorflow
with tf.Session() as sess:
TF_array = sess.run(tf.image.decode_jpeg(example_bytes, channels=3))
break
#------------------------------------------------------
#------------------------------------------------------Compare results
(PIL_array.flatten() != TF_array.flatten()).sum()
PIL_array == TF_array
PIL_img = Image.fromarray(PIL_array, 'RGB')
PIL_img.save('PIL_IMAGE.jpg')
TF_img = Image.fromarray(TF_array, 'RGB')
TF_img.save('TF_IMAGE.jpg')
#------------------------------------------------------
转换为np.array()
上述代码的来源:
- 转换
- 转换自
import tensorflow as tf
from PIL import Image
import io
import numpy as np
# Load image
cat_in_snow = tf.keras.utils.get_file(path, 'https://storage.googleapis.com/download.tensorflow.org/example_images/320px-Felis_catus-cat_on_snow.jpg')
#------------------------------------------------------Convert to tfrecords
def _bytes_feature(value):
"""Returns a bytes_list from a string / byte."""
return tf.train.Feature(bytes_list=tf.train.BytesList(value=[value]))
def image_example(image_string):
feature = {
'image_raw': _bytes_feature(image_string),
}
return tf.train.Example(features=tf.train.Features(feature=feature))
with tf.python_io.TFRecordWriter('images.tfrecords') as writer:
image_string = open(cat_in_snow, 'rb').read()
tf_example = image_example(image_string)
writer.write(tf_example.SerializeToString())
#------------------------------------------------------
#------------------------------------------------------Begin Operation
record_iterator = tf.python_io.tf_record_iterator(path to tfrecord file)
for string_record in record_iterator:
example = tf.train.Example()
example.ParseFromString(string_record)
print(example)
# OPTION 1: convert bytes to arrays using PIL and IO
example_bytes = dict(example.features.feature)['image_raw'].bytes_list.value[0]
PIL_array = np.array(Image.open(io.BytesIO(example_bytes)))
# OPTION 2: convert bytes to arrays using Tensorflow
with tf.Session() as sess:
TF_array = sess.run(tf.image.decode_jpeg(example_bytes, channels=3))
break
#------------------------------------------------------
#------------------------------------------------------Compare results
(PIL_array.flatten() != TF_array.flatten()).sum()
PIL_array == TF_array
PIL_img = Image.fromarray(PIL_array, 'RGB')
PIL_img.save('PIL_IMAGE.jpg')
TF_img = Image.fromarray(TF_array, 'RGB')
TF_img.save('TF_IMAGE.jpg')
#------------------------------------------------------
- 请记住,tfrecords只是一种存储信息的方法,用于tensorflow模型以高效的方式读取
- 我使用PIL和IO将字节转换为图像。IO获取字节并将其转换为PIL.Image可以读取的格式
- 是的,有一种纯粹的tensorflow方法:
- 是的,在比较两个数组时,这两种方法之间存在差异
- 你应该选哪一个?如果您担心准确性,那么Tensorflow就不是一个好办法,如中所述:“Tensorflow为jpeg解码选择的默认设置是IFAST,以牺牲图像质量换取速度”。此信息的信用属于此
功能组成,这些功能都有一个键和一个值。这些键是标签
,图像/编码
,图像/宽度
和图像/高度
。我仍然不清楚如何读取这些信息,以及如何将编码图像转换为具有维度的矩阵WxHxC
。是的,这是一个字节列表。太棒了!现在我可以提取图像了。然而,我不明白为什么它会起作用。为什么我必须加载PIL
和io
?这些图书馆到底在做什么?有没有一种纯粹的tensorflow方法?我希望能够通过执行类似于image,label=sess.run(extract\u image,feed\u dict={path:filename})的操作来提取图像。
编辑了我的答案我得到了:DecodeError:Error解析消息,使用以下记录:!wget-O“/tmp/train.tfrecords”“”