1、知识点

"""
TFRecords介绍:
    TFRecords是Tensorflow设计的一种内置文件格式,是一种二进制文件,它能更好的利用内存,
    更方便复制和移动,为了将二进制数据和标签(训练的类别标签)数据存储在同一个文件中

CIFAR-10批处理结果存入tfrecords流程:
    1、构造存储器
         a)TFRecord存储器API:tf.python_io.TFRecordWriter(path) 写入tfrecords文件
            参数:   
                path: TFRecords文件的路径
                return:写文件
            方法:
                write(record):向文件中写入一个字符串记录
                    record:字符串为一个序列化的Example,Example.SerializeToString()
                close():关闭文件写入器

    2、构造每一个样本的Example协议块
         a)tf.train.Example(features=None)写入tfrecords文件
                features:tf.train.Features类型的特征实例
                return:example格式协议块

         b)tf.train.Features(feature=None)构建每个样本的信息键值对
                feature:字典数据,key为要保存的名字,
                value为tf.train.Feature实例
                return:Features类型

         c)tf.train.Feature(**options)
                **options:例如
                    bytes_list=tf.train.BytesList(value=[Bytes])
                    int64_list=tf.train.Int64List(value=[Value])
                数据类型:
                    tf.train.Int64List(value=[Value])
                    tf.train.BytesList(value=[Bytes]) 
                    tf.train.FloatList(value=[value]) 

    3、写入序列化的Example
         writer.write(example.SerializeToString())
   
报错: 
        1、ValueError: Protocol message Feature has no "Bytes_list" field.
                因为没有Bytes_list属性字段,只有bytes_list字段
                
读取tfrecords流程:
    1、构建文件队列
        file_queue = tf.train.string_input_producer([FLAGS.cifar_tfrecords])
    2、构造TFRecords阅读器
        reader = tf.TFRecordReader()
    3、解析Example,获取数据
        a) tf.parse_single_example(serialized,features=None,name=None)解析TFRecords的example协议内存块
            serialized:标量字符串Tensor,一个序列化的Example
            features:dict字典数据,键为读取的名字,值为FixedLenFeature
            return:一个键值对组成的字典,键为读取的名字
        b)tf.FixedLenFeature(shape,dtype) 类型只能是float32,int64,string
            shape:输入数据的形状,一般不指定,为空列表
            dtype:输入数据类型,与存储进文件的类型要一致     
    4、转换格式,bytes解码
        image = tf.decode_raw(features["image"],tf.uint8)
        #固定图像大小,有利于批处理操作
        image_reshape = tf.reshape(image,[self.height,self.width,self.channel])
        label = tf.cast(features["label"],tf.int32)
    5、批处理
        image_batch , label_batch = tf.train.batch([image_reshape,label],batch_size=5,num_threads=1,capacity=20)

报错:
    1、ValueError: Shape () must have rank at least 1
        
"""

2、代码

# coding = utf-8
import tensorflow as tf
import  os

FLAGS = tf.app.flags.FLAGS
tf.app.flags.DEFINE_string("cifar_dir","./cifar10/", "文件的目录")
tf.app.flags.DEFINE_string("cifar_tfrecords", "./tfrecords/cifar.tfrecords", "存进tfrecords的文件")
class CifarRead(object):
    """
    完成读取二进制文件,写进tfrecords,读取tfrecords
    """
    def __init__(self,file_list):
        self.file_list = file_list
        #图片属性
        self.height = 32
        self.width = 32
        self.channel = 3

        #二进制字节
        self.label_bytes = 1
        self.image_bytes = self.height*self.width*self.channel
        self.bytes = self.label_bytes + self.image_bytes


    def read_and_encode(self):
        """
        读取二进制文件,并进行解码操作
        :return:
        """
        #1、创建文件队列
        file_quque = tf.train.string_input_producer(self.file_list)
        #2、创建阅读器,读取二进制文件
        reader = tf.FixedLengthRecordReader(self.bytes)
        key, value = reader.read(file_quque)#key为文件名,value为文件内容
        #3、解码操作
        label_image = tf.decode_raw(value,tf.uint8)

        #分割图片和标签数据, tf.cast(),数据类型转换   tf.slice()tensor数据进行切片
        label = tf.cast(tf.slice(label_image, [0], [self.label_bytes]), tf.int32)
        image = tf.slice(label_image,[self.label_bytes],[self.image_bytes])

        #对图像进行形状改变
        image_reshape = tf.reshape(image,[self.height,self.width,self.channel])

        # 4、批处理操作
        image_batch , label_batch = tf.train.batch([image_reshape,label],batch_size=5,num_threads=1,capacity=20)
        print(image_batch,label_batch)
        return image_batch,label_batch

    def write_ro_tfrecords(self,image_batch,label_batch):
        """
        将读取的二进制文件写入 tfrecords文件中
        :param image_batch: 图像 (32,32,3)
        :param label_batch: 标签
        :return:
        """
        # 1、构造存储器
        writer = tf.python_io.TFRecordWriter(FLAGS.cifar_tfrecords)

        #循环写入
        for i in range(5):
            image = image_batch[i].eval().tostring()
            label = int(label_batch[i].eval()[0])
            # 2、构造每一个样本的Example
            example = tf.train.Example(features=tf.train.Features(feature={
                "image":tf.train.Feature(bytes_list = tf.train.BytesList(value = [image])) ,
                "label":tf.train.Feature(int64_list = tf.train.Int64List(value = [label])) ,
            }))

            # 3、写入序列化的Example
            writer.write(example.SerializeToString())

        #关闭流
        writer.close()
        return None

    def read_from_tfrecords(self):
        """
        从tfrecords文件读取数据
        :return:
        """
        #1、构建文件队列
        file_queue = tf.train.string_input_producer([FLAGS.cifar_tfrecords])
        #2、构造TFRecords阅读器
        reader = tf.TFRecordReader()
        key , value = reader.read(file_queue)
        #3、解析Example
        features = tf.parse_single_example(value,features={
            "image":tf.FixedLenFeature([],tf.string),
            "label":tf.FixedLenFeature([],tf.int64)
        })
        #4、解码内容, 如果读取的内容格式是string需要解码, 如果是int64,float32不需要解码
        image = tf.decode_raw(features["image"],tf.uint8)
        #固定图像大小,有利于批处理操作
        image_reshape = tf.reshape(image,[self.height,self.width,self.channel])
        label = tf.cast(features["label"],tf.int32)

        #5、批处理
        image_batch , label_batch = tf.train.batch([image_reshape,label],batch_size=5,num_threads=1,capacity=20)
        return image_batch,label_batch


if __name__ == \'__main__\':
    #################二进制文件读取###############
    # file_name = os.listdir(FLAGS.cifar_dir)
    # file_list = [os.path.join(FLAGS.cifar_dir, file) for file in file_name if file[-3:] == "bin"]
    # cf = CifarRead(file_list)
    # image_batch, label_batch = cf.read_and_encode()
    # with tf.Session() as sess:
    #     # 创建协调器
    #     coord = tf.train.Coordinator()
    #     # 开启线程
    #     threads = tf.train.start_queue_runners(sess, coord=coord)
    #
    #     print(sess.run([image_batch, label_batch]))
    #     # 回收线程
    #     coord.request_stop()
    #     coord.join(threads)
    #############################################

    #####二进制文件读取,并写入tfrecords文件######
    # file_name = os.listdir(FLAGS.cifar_dir)
    # file_list = [os.path.join(FLAGS.cifar_dir, file) for file in file_name if file[-3:] == "bin"]
    # cf = CifarRead(file_list)
    # image_batch, label_batch = cf.read_and_encode()
    # with tf.Session() as sess:
    #     # 创建协调器
    #     coord = tf.train.Coordinator()
    #     # 开启线程
    #     threads = tf.train.start_queue_runners(sess, coord=coord)
    #     #########保存文件到tfrecords##########
    #     cf.write_ro_tfrecords(image_batch, label_batch)
    #     #########保存文件到tfrecords##########
    #
    #     print(sess.run([image_batch, label_batch]))
    #     # 回收线程
    #     coord.request_stop()
    #     coord.join(threads)
    ##############################################

    #############从tfrecords文件读取###############
    file_name = os.listdir(FLAGS.cifar_dir)
    file_list = [os.path.join(FLAGS.cifar_dir, file) for file in file_name if file[-3:] == "bin"]
    cf = CifarRead(file_list)
    image_batch, label_batch = cf.read_from_tfrecords()
    with tf.Session() as sess:
        # 创建协调器
        coord = tf.train.Coordinator()
        # 开启线程
        threads = tf.train.start_queue_runners(sess, coord=coord)

        print(sess.run([image_batch, label_batch]))
        # 回收线程
        coord.request_stop()
        coord.join(threads)
    ##############################################