TensorFlow 提供了 TFRecord 来统一输入数据的格式。tf.train.Example 中包含了一个从属性名称到取值的字典。其中属性名称为一个字符串，属性的值可以为 字符串（BytesList）,实数列表（FloatList）或者整数列表（Int64List）。比如将一张解码前的图像存为一个字符串，图像所对应的类别编号存为整数列表。
import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data import numpy as np # 生成整数型的属性 def _int64_feature(value): return tf.train.Feature(int64_list = tf.train.Int64List(value = [value])) # 生成字符串型的属性 def _bytes_feature(value): return tf.train.Feature(bytes_list = tf.train.BytesList(value = [value])) mnist = input_data.read_data_sets( "/path/to/mnist/data",dtype = tf.uint8, one_hot = True) images = mnist.train.images # 训练数据所对应的正确答案，可以作为一个属性保存在 TFRecord 中 labels = mnist.train.labels # 训练数据的分辨率，这可以作为 Example 中的一个属性 pixels = images.shape[1] num_examples = mnist.train.num_examples # 输出 TFRecord 文件的地址 filename = "/path/to/output.tfrecords" # 创建一个 writer 来写 TFRecord 文件 writer = tf.python_io.TFRecordWriter(filename) for index in range(num_examples): # 将图像矩阵转换成一个字符串 image_raw = images[index].tostring() # 将一个样例转化为 Example Protocol Buffer 并将所有的信息写入这个数据结构 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)})) writer.write(example.SerializeToString()) writer.close()以上程序将训练数据存储到一个 TFRecord 文件中。当数据量比较大时，也可以写入多个 TFRecord 文件。TensorFlow 对从文件列表中读取数据提供了很好的支持。
import tensorflow as tf # 创建一个 reader 来读取 TFRecord 中的样例 reader = tf.TFRecordReader() # 创建一个队列来维护输入文件列表 filename_queue = tf.train.string_input_producer( ["/path/to/output.tfrecords"]) # 从文件中读出一个样例。也可以使用 read_up_to 函数一次性读取多个样例 # 读取多个样例 read_up_to(filename_queue, num_records = n) _, serialized_example = reader.read(filename_queue) # 解析读入的一个样例。如果需要解析多个样例，可以用 parse_example 函数 features = tf.parse_single_example( serialized_example, features = { # TensorFlow 提供两种不同的属性解析方法。一种方法是 tf.FixedLenFeature, # 这种方法解析的结果为一个 tensor。另一种方法是 tf.VarLenFeature,这种方法 # 得到的解析结果为 SparseTensor，用于处理稀疏数据 # 这里解析数据的格式需要和上面程序写入数据的格式一致 'image_raw':tf.FixedLenFeature([],tf.string), 'pixels':tf.FixedLenFeature([],tf.int64), 'label':tf.FixedLenFeature([],tf.int64), }) # tf.decode_raw 可以将字符串解析成图像对应的像素数组 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() # 启动多线程处理输入数据 coord = tf.train.Coordinator() threads = tf.train.start_queue_runners(sess = sess,coord = coord) # 每次运行可以读取 TFRecord 文件中的一个样例，当所有样例读完后，会重头读取 for i in range(10): image, label, pixel = sess.run([images, labels, pixels])
