TFRecord作为tensorflow中广泛使用的数据格式,它跨平台,省空间,效率高。因为tensorflow开发者众多,统一训练时数据的文件格式是一件很有意义的事情,也有助于降低学习成本和迁移成本。
但是TFRecord数据是二进制格式,没法直接查看。因此,如何能够方便的查看TFRecord格式和数据,就显得尤为重要了。
为什么需要查看TFReocrd数据?首先我们先看下常规的写入和读取TFRecord数据的关键过程。
# 1。写入过程 #一张图片,我写入了其内容,标签,长和宽几个信息 tf_example=tf.train.Example ( 特点=tf.train.Features(特性={ “编码”:bytes_feature (encoded_jpg), “标签”:int64_feature(标签), “高度”:int64_feature(高度), “宽度”:int64_feature(宽度)})) # 2。读取过程 #定义解析的TFRecord数据格式 def _parse_image (example_proto): 特点={“编码”:tf.FixedLenFeature ((), tf.string), “标签”:tf.FixedLenFeature ((), tf.int64), “高度”:tf.FixedLenFeature ((), tf.int64), “宽度”:tf.FixedLenFeature (()、tf.int64) } 返回特遣部队。parse_single_example (example_proto特性) # TFRecord数据按照功能解析出对应的真实数据 ds=ds。地图(λx: _parse_image (x) num_parallel_calls=4) >之前上面是一个标准的TFRecord数据的写入和读取部分过程,大家应该发现了,读取TFRecord数据的时候,得知道TFRecord数据保存的属性名和类型,任何一项不匹配,都会导致无法获取数据。
如果数据的写入和读取都是自己一个人完成,那就没问题。但是如果写入和读取是跨团队合作时候,如果每次读取数据都得让对方给完整的属性名和属性类型,那效率就太低了。毕竟TFRecord数据已经包含了一切,自己动手丰衣足食。
那么怎么查看TFRecord数据呢?使用python tf.train.Example.FromString (serialized_example)方法,方法的入参是TFRecord包含的数据字符串。
然后,我直接将上诉查看的过程写成了一个py脚本,需要自取。
# !/usr/bin/python # - * -编码:utf - 8 - * 导入系统 进口tensorflow特遣部队 #用法:python trackTFRecord。py真正file1 file2 # trackTFRecord。py就是当前这个py文件 #真表示是否输出具体的数据 # file1 file2表示的是需要查看的TFRecord文件的绝对路径 #输出说明:tf.float32对应TFRecord的FloatList, tf.int64对应Int64List, tf.string对应BytesList def main (): 打印(“TFRecord文件个数为{0}个“.format (len (sys.argv) 2)) 因为我在范围(2,len (sys.argv)): filepath=sys.argv[我] 与tf.Session税(): 文件名=[filepath] #加载TFRecord数据 ds=tf.data.TFRecordDataset(文件名) ds=ds.batch (10) ds=ds.prefetch (buffer_size=tf.contrib.data.AUTOTUNE) 迭代器=ds.make_one_shot_iterator () #为了加快速度,仅仅简单拿一组数据看下结构 batch_data=https://www.yisu.com/zixun/iterator.get_next () res=sess.run (batch_data) serialized_example=res [0] example_proto=tf.train.Example.FromString (serialized_example) 特点=example_proto.features 打印('{0}信息如下:“.format (filepath)) 在features.feature关键: 特点=features.feature(例子) ftype=没有 fvalue=https://www.yisu.com/zixun/None 如果len (feature.bytes_list.value)> 0: ftype=' bytes_list ' fvalue=https://www.yisu.com/zixun/feature.bytes_list.value 如果len (feature.float_list.value)> 0: ftype=' float_list ' fvalue=https://www.yisu.com/zixun/feature.float_list.value 如果len (feature.int64_list.value)> 0: ftype=' int64_list ' fvalue=https://www.yisu.com/zixun/feature.int64_list.value 结果={0}:{1}。格式(关键,ftype) 如果“真正的”==sys.argv [1]: 结果={0}:{1}。格式(因此,fvalue) 打印(结果) if __name__==癬_main__”: main ()下面给大家实例演示,首先先随便找个图片,写入到TFRecord数据
进口tensorflow特遣部队 文件名="/用户/zhanhaitao/桌面/1. png” #使用tf.read_file读进图片数据 形象=tf.read_file(文件名) #主要是为了获取图片的宽高 image_jpeg=tf.image.decode_jpeg(形象、渠道=3,name=" decode_jpeg_picture ") #重塑图片到原始大x2000x3小2500 image_jpeg=特遣部队。重塑(image_jpeg形状=(2500、2000、3)) #获取图片形状数据 img_shape=image_jpeg.shape 宽度=img_shape [0] 身高=img_shape [1] #将原图片张量生成字节对象,形象将保存到tfrecord 税=tf.Session () 形象=sess.run(图片) sess.close () #定义TFRecords文件的保存路径及其文件名 path_none="/用户/zhanhaitao/桌面/a.tfrecord” #定义不同压缩选项的TFRecordWriter writer_none=tf.python_io。TFRecordWriter (path_none选项=没有) #将外层特性生成特定格式的例子 example_none=tf.train.Example(功能=tf.train.Features(功能={ “float_val”: tf.train.Feature (float_list=tf.train.FloatList (value=https://www.yisu.com/zixun/[9.99])),“宽度”:tf.train.Feature (int64_list=tf.train.Int64List(值=https://www.yisu.com/zixun/(宽度))),“高度”:tf.train.Feature (int64_list=tf.train.Int64List(值=https://www.yisu.com/zixun/(高度))),“image_raw”: tf.train.Feature (bytes_list=tf.train.BytesList (value=https://www.yisu.com/zixun/[图片])) })) #例子系列化字符串 example_str_none=example_none.SerializeToString () #将系列化字符串写入协议缓冲区 writer_none.write (example_str_none) #关闭TFRecords文件操作接口 writer_none.close () 打印(“finish tfrecord文件写入数据!”)TFRecord文件查看包含的所有代特征码