写

• 思路

数据移到example， example序列化为字符串后，再写入文件。example 包含Features, Features 包含Feature字典，Feature字典的value中里包含有一个 FloatList， 或者ByteList，或者Int64List, 数据就写在参数value=[]的列表里。

1. 定义writer

`writer = tf.python_io.TFRecordWriter(tfrecord路径)`

2. 定义example(相当搞人！！)

```  
# img转变为bytes
img = Image.open(img_path)
img = img.resize((224, 224))
img_raw = img.tobytes()
 
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]))
 }))
```

3. 序列化为字符串后写入tfrecord

writer.write(example.SerializeToString())

读

• 队列读取
  简明示意图：
  

• 计算图

1. 文件名队列

filename_queue = tf.train.string_input_producer([filename])

2. 构造Reader

reader = tf.TFRecordReader()

3. 从队列中读序列化数据

_, serialized_example = reader.read(filename_queue) #返回文件名和文件

4. 解析单个example的features

features = tf.parse_single_example(serialized_example,
                                       features={
                                           'label': tf.FixedLenFeature([], tf.int64),
                                           'img_raw' : tf.FixedLenFeature([], tf.string),
                                       })

5. 从features 字典拿到可用数据

img = tf.decode_raw(features['img_raw'], tf.uint8)
img = tf.reshape(img, [224, 224, 3])
img = tf.cast(img, tf.float32) * (1. / 255) - 0.5
label = tf.cast(features['label'], tf.int32)

6. 获得batch

img_batch, label_batch = tf.train.shuffle_batch([img, label], batch_size=30, capacity=2000, min_after_dequeue=1000)

• 运行

打开sess后，

1. 首先初始化graph

sess.run(tf.initialize_all_variables())

1. 启动队列

threads = tf.train.start_queue_runners(sess=sess)

2. sess.run()

img_batch, label_batch = sess.run([img_batch, label_batch]