TensorFlow数据读取机制：文件队列 tf.train.slice_input_producer和 tf.data.Dataset机制

我就是我 2022-04-10 02:15 189阅读 0赞

# TensorFlow数据读取机制：文件队列 tf.train.slice\_input\_producer和tf.data.Dataset机制 #

--------------------

之前写了一篇博客，关于《[Tensorflow生成自己的图片数据集TFrecord][Tensorflow_TFrecord]》，项目做多了，你会发现将数据转为TFrecord格式，实在是太麻烦了，灵活性太差！后面就总结一下TensorFlow数据读取机制，主要还是介绍tf.data.Dataset的数据读取机制（Pipeline机制）。

TensorFlow数据读取机制主要是两种方法：

> （1）一种是使用文件队列方式，如使用slice\_input\_producer和string\_input\_producer；这种方法既可以将数据转存为TFrecord数据格式，也可以直接读取文件图片数据，当然转存为TFrecord数据格式进行读取，会更高效点
> 
> （2）另一种是TensorFlow 1.4版本后出现的tf.data.Dataset的数据读取机制（Pipeline机制）。这是TensorFlow强烈推荐的方式，是一种更高效的读取方式。使用tf.data.Dataset模块的pipline机制，可实现CPU多线程处理输入的数据，如读取图片和图片的一些的预处理，这样GPU可以专注于训练过程，而CPU去准备数据。

本博客Github源码：[https://github.com/PanJinquan/tensorflow-learning-tutorials][https_github.com_PanJinquan_tensorflow-learning-tutorials] ->**tf\_record\_demo**文件夹（觉得可以，还请给个“**Star**”哦

之前专门写了一篇博客关于《[ Tensorflow生成自己的图片数据集TFrecords(支持多标签label)][Tensorflow_TFrecord]》[https://blog.csdn.net/guyuealian/article/details/80857228][Tensorflow_TFrecord]，主要实现的是使用自己的数据集制作TensorFlow的TFrecord数据格式。

--------------------

**目录**

TensorFlow数据读取机制：文件队列 tf.train.slice\_input\_producer和tf.data.Dataset机制

1. 文件队列读取方式：slice\_input\_producer和string\_input\_producer

1.1.生成图片数据集TFrecords

（1）生成单个record文件 (单label)

（2）生成单个record文件 (多label)

（3）生成多个record文件的方法

1.2. 直接文件读取方式

2.tf.data.Dataset数据读取机制：Pipeline机制

prefetch(必须放在最后)

map

repeat

实例代码1：dataset.make\_initializable\_iterator()

实例代码2：dataset.make\_one\_shot\_iterator()

实例代码3：产生用于训练的图和label

实例代码4：产生用于训练的原始图和target目标图

实例代码5： tf.data.Dataset.from\_generator

3. 用Python循环产生批量数据batch

4.参考资料：

--------------------

# 1. 文件队列读取方式：slice\_input\_producer和string\_input\_producer #

TensorFlow可以采用tf.train.slice\_input\_producer或者tf.train.string\_input\_producer两种方法产生文件队列，其区别就是：前者是输入是tensor\_list，因此，可以将多个list组合成一个tensorlist作为输入；而后者只能是一个string\_tensor了，例子如下：

image_dir ='path/to/image_dir/*.jpg'
        image_list = glob.glob(image_dir)
        label_list=...
        image_list = tf.convert_to_tensor(image_list, dtype=tf.string)
        # 可以将image_list,label_list多个list组合成一个tensor_list
        image_que, label_que = tf.train.slice_input_producer([image_list,label_list], num_epochs=1)
        # 只能时string_tensor，所以不能组合多个list
        image = tf.train.string_input_producer(image_list, num_epochs=1)

## 1.1.生成图片数据集TFrecords ##

假设train.txt保存图片的路径和标签信息，如下，以空格分割，第一项的图片的路径名，第二项是图片对应的labels

dog/1.jpg 0
    dog/2.jpg 0
    dog/3.jpg 0
    dog/4.jpg 0
    cat/1.jpg 1
    cat/2.jpg 1
    cat/3.jpg 1
    cat/4.jpg 1

这里提供三种方法将图像数据转存为TFrecords数据格式，当然也包含TFrecords解析的方法，详细的用法都会在函数参数说明，已经封装了很简单了，你只需要改变你图片的路径就可以。

>  *  **生成单个record文件 (单label)**
> 
> **   ** 这种方法会将所有图片数据和单labels转存为一个record文件，合适单labels小批量的数据
> 
>  *  **生成单个record文件 (多label)**
> 
>     这种方法将所有图片数据和多个labels转存为一个record文件，合适多labels的小批量的数据
> 
>  *  **生成多个record文件的方法**
> 
>     这种方法将图片数据和labels，切分一个batch\_size的大小，并转存为多个record文件，合适大批量的数据

### （1）生成单个record文件 (单label) ###

下面是封装好的py文件，可以直接生成单个record文件 ，当然这里假设只有一个label情况。其中get\_batch\_images函数会产生一个batch的数据，这个batch的数据就可以用于CNN的网络训练的数据。

# -*-coding: utf-8 -*-
    """
        @Project: create_tfrecord
        @File   : create_tfrecord.py
        @Author : panjq
        @E-mail : pan_jinquan@163.com
        @Date   : 2018-07-27 17:19:54
        @desc   : 将图片数据保存为单个tfrecord文件
    """
    
    ##########################################################################
    
    import tensorflow as tf
    import numpy as np
    import os
    import cv2
    import matplotlib.pyplot as plt
    import random
    from PIL import Image
    
    
    ##########################################################################
    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]))
    # 生成实数型的属性
    def float_list_feature(value):
      return tf.train.Feature(float_list=tf.train.FloatList(value=value))
    
    def get_example_nums(tf_records_filenames):
        '''
        统计tf_records图像的个数(example)个数
        :param tf_records_filenames: tf_records文件路径
        :return:
        '''
        nums= 0
        for record in tf.python_io.tf_record_iterator(tf_records_filenames):
            nums += 1
        return nums
    
    def show_image(title,image):
        '''
        显示图片
        :param title: 图像标题
        :param image: 图像的数据
        :return:
        '''
        # plt.figure("show_image")
        # print(image.dtype)
        plt.imshow(image)
        plt.axis('on')    # 关掉坐标轴为 off
        plt.title(title)  # 图像题目
        plt.show()
    
    def load_labels_file(filename,labels_num=1,shuffle=False):
        '''
        载图txt文件，文件中每行为一个图片信息，且以空格隔开：图像路径 标签1 标签2，如：test_image/1.jpg 0 2
        :param filename:
        :param labels_num :labels个数
        :param shuffle :是否打乱顺序
        :return:images type->list
        :return:labels type->list
        '''
        images=[]
        labels=[]
        with open(filename) as f:
            lines_list=f.readlines()
            if shuffle:
                random.shuffle(lines_list)
    
            for lines in lines_list:
                line=lines.rstrip().split(' ')
                label=[]
                for i in range(labels_num):
                    label.append(int(line[i+1]))
                images.append(line[0])
                labels.append(label)
        return images,labels
    
    def read_image(filename, resize_height, resize_width,normalization=False):
        '''
        读取图片数据,默认返回的是uint8,[0,255]
        :param filename:
        :param resize_height:
        :param resize_width:
        :param normalization:是否归一化到[0.,1.0]
        :return: 返回的图片数据
        '''
    
        bgr_image = cv2.imread(filename)
        if len(bgr_image.shape)==2:#若是灰度图则转为三通道
            print("Warning:gray image",filename)
            bgr_image = cv2.cvtColor(bgr_image, cv2.COLOR_GRAY2BGR)
    
        rgb_image = cv2.cvtColor(bgr_image, cv2.COLOR_BGR2RGB)#将BGR转为RGB
        # show_image(filename,rgb_image)
        # rgb_image=Image.open(filename)
        if resize_height>0 and resize_width>0:
            rgb_image=cv2.resize(rgb_image,(resize_width,resize_height))
        rgb_image=np.asanyarray(rgb_image)
        if normalization:
            # 不能写成:rgb_image=rgb_image/255
            rgb_image=rgb_image/255.0
        # show_image("src resize image",image)
        return rgb_image
    
    
    def get_batch_images(images,labels,batch_size,labels_nums,one_hot=False,shuffle=False,num_threads=1):
        '''
        :param images:图像
        :param labels:标签
        :param batch_size:
        :param labels_nums:标签个数
        :param one_hot:是否将labels转为one_hot的形式
        :param shuffle:是否打乱顺序,一般train时shuffle=True,验证时shuffle=False
        :return:返回batch的images和labels
        '''
        min_after_dequeue = 200
        capacity = min_after_dequeue + 3 * batch_size  # 保证capacity必须大于min_after_dequeue参数值
        if shuffle:
            images_batch, labels_batch = tf.train.shuffle_batch([images,labels],
                                                                        batch_size=batch_size,
                                                                        capacity=capacity,
                                                                        min_after_dequeue=min_after_dequeue,
                                                                        num_threads=num_threads)
        else:
            images_batch, labels_batch = tf.train.batch([images,labels],
                                                            batch_size=batch_size,
                                                            capacity=capacity,
                                                            num_threads=num_threads)
        if one_hot:
            labels_batch = tf.one_hot(labels_batch, labels_nums, 1, 0)
        return images_batch,labels_batch
    
    def read_records(filename,resize_height, resize_width,type=None):
        '''
        解析record文件:源文件的图像数据是RGB,uint8,[0,255],一般作为训练数据时,需要归一化到[0,1]
        :param filename:
        :param resize_height:
        :param resize_width:
        :param type:选择图像数据的返回类型
             None:默认将uint8-[0,255]转为float32-[0,255]
             normalization:归一化float32-[0,1]
             standardization:标准化float32-[0,1],再减均值中心化
        :return:
        '''
        # 创建文件队列,不限读取的数量
        filename_queue = tf.train.string_input_producer([filename])
        # create a reader from file queue
        reader = tf.TFRecordReader()
        # reader从文件队列中读入一个序列化的样本
        _, serialized_example = reader.read(filename_queue)
        # get feature from serialized example
        # 解析符号化的样本
        features = tf.parse_single_example(
            serialized_example,
            features={
                'image_raw': tf.FixedLenFeature([], tf.string),
                'height': tf.FixedLenFeature([], tf.int64),
                'width': tf.FixedLenFeature([], tf.int64),
                'depth': tf.FixedLenFeature([], tf.int64),
                'label': tf.FixedLenFeature([], tf.int64)
            }
        )
        tf_image = tf.decode_raw(features['image_raw'], tf.uint8)#获得图像原始的数据
    
        tf_height = features['height']
        tf_width = features['width']
        tf_depth = features['depth']
        tf_label = tf.cast(features['label'], tf.int32)
        # PS:恢复原始图像数据,reshape的大小必须与保存之前的图像shape一致,否则出错
        # tf_image=tf.reshape(tf_image, [-1])    # 转换为行向量
        tf_image=tf.reshape(tf_image, [resize_height, resize_width, 3]) # 设置图像的维度
    
        # 恢复数据后,才可以对图像进行resize_images:输入uint->输出float32
        # tf_image=tf.image.resize_images(tf_image,[224, 224])
    
        # [3]数据类型处理
        # 存储的图像类型为uint8,tensorflow训练时数据必须是tf.float32
        if type is None:
            tf_image = tf.cast(tf_image, tf.float32)
        elif type == 'normalization':  # [1]若需要归一化请使用:
            # 仅当输入数据是uint8,才会归一化[0,255]
            # tf_image = tf.cast(tf_image, dtype=tf.uint8)
            # tf_image = tf.image.convert_image_dtype(tf_image, tf.float32)
            tf_image = tf.cast(tf_image, tf.float32) * (1. / 255.0)  # 归一化
        elif type == 'standardization':  # 标准化
            # tf_image = tf.cast(tf_image, dtype=tf.uint8)
            # tf_image = tf.image.per_image_standardization(tf_image)  # 标准化（减均值除方差）
            # 若需要归一化,且中心化,假设均值为0.5,请使用:
            tf_image = tf.cast(tf_image, tf.float32) * (1. / 255) - 0.5  # 中心化
    
        # 这里仅仅返回图像和标签
        # return tf_image, tf_height,tf_width,tf_depth,tf_label
        return tf_image,tf_label
    
    
    def create_records(image_dir,file, output_record_dir, resize_height, resize_width,shuffle,log=5):
        '''
        实现将图像原始数据,label,长,宽等信息保存为record文件
        注意:读取的图像数据默认是uint8,再转为tf的字符串型BytesList保存,解析请需要根据需要转换类型
        :param image_dir:原始图像的目录
        :param file:输入保存图片信息的txt文件(image_dir+file构成图片的路径)
        :param output_record_dir:保存record文件的路径
        :param resize_height:
        :param resize_width:
        PS:当resize_height或者resize_width=0是,不执行resize
        :param shuffle:是否打乱顺序
        :param log:log信息打印间隔
        '''
        # 加载文件,仅获取一个label
        images_list, labels_list=load_labels_file(file,1,shuffle)
    
        writer = tf.python_io.TFRecordWriter(output_record_dir)
        for i, [image_name, labels] in enumerate(zip(images_list, labels_list)):
            image_path=os.path.join(image_dir,images_list[i])
            if not os.path.exists(image_path):
                print('Err:no image',image_path)
                continue
            image = read_image(image_path, resize_height, resize_width)
            image_raw = image.tostring()
            if i%log==0 or i==len(images_list)-1:
                print('------------processing:%d-th------------' % (i))
                print('current image_path=%s' % (image_path),'shape:{}'.format(image.shape),'labels:{}'.format(labels))
            # 这里仅保存一个label,多label适当增加"'label': _int64_feature(label)"项
            label=labels[0]
            example = tf.train.Example(features=tf.train.Features(feature={
                'image_raw': _bytes_feature(image_raw),
                'height': _int64_feature(image.shape[0]),
                'width': _int64_feature(image.shape[1]),
                'depth': _int64_feature(image.shape[2]),
                'label': _int64_feature(label)
            }))
            writer.write(example.SerializeToString())
        writer.close()
    
    def disp_records(record_file,resize_height, resize_width,show_nums=4):
        '''
        解析record文件，并显示show_nums张图片，主要用于验证生成record文件是否成功
        :param tfrecord_file: record文件路径
        :return:
        '''
        # 读取record函数
        tf_image, tf_label = read_records(record_file,resize_height,resize_width,type='normalization')
        # 显示前4个图片
        init_op = tf.initialize_all_variables()
        with tf.Session() as sess:
            sess.run(init_op)
            coord = tf.train.Coordinator()
            threads = tf.train.start_queue_runners(sess=sess, coord=coord)
            for i in range(show_nums):
                image,label = sess.run([tf_image,tf_label])  # 在会话中取出image和label
                # image = tf_image.eval()
                # 直接从record解析的image是一个向量,需要reshape显示
                # image = image.reshape([height,width,depth])
                print('shape:{},tpye:{},labels:{}'.format(image.shape,image.dtype,label))
                # pilimg = Image.fromarray(np.asarray(image_eval_reshape))
                # pilimg.show()
                show_image("image:%d"%(label),image)
            coord.request_stop()
            coord.join(threads)
    
    
    def batch_test(record_file,resize_height, resize_width):
        '''
        :param record_file: record文件路径
        :param resize_height:
        :param resize_width:
        :return:
        :PS:image_batch, label_batch一般作为网络的输入
        '''
        # 读取record函数
        tf_image,tf_label = read_records(record_file,resize_height,resize_width,type='normalization')
        image_batch, label_batch= get_batch_images(tf_image,tf_label,batch_size=4,labels_nums=5,one_hot=False,shuffle=False)
    
        init = tf.global_variables_initializer()
        with tf.Session() as sess:  # 开始一个会话
            sess.run(init)
            coord = tf.train.Coordinator()
            threads = tf.train.start_queue_runners(coord=coord)
            for i in range(4):
                # 在会话中取出images和labels
                images, labels = sess.run([image_batch, label_batch])
                # 这里仅显示每个batch里第一张图片
                show_image("image", images[0, :, :, :])
                print('shape:{},tpye:{},labels:{}'.format(images.shape,images.dtype,labels))
    
            # 停止所有线程
            coord.request_stop()
            coord.join(threads)
    
    
    if __name__ == '__main__':
        # 参数设置
    
        resize_height = 224  # 指定存储图片高度
        resize_width = 224  # 指定存储图片宽度
        shuffle=True
        log=5
        # 产生train.record文件
        image_dir='dataset/train'
        train_labels = 'dataset/train.txt'  # 图片路径
        train_record_output = 'dataset/record/train.tfrecords'
        create_records(image_dir,train_labels, train_record_output, resize_height, resize_width,shuffle,log)
        train_nums=get_example_nums(train_record_output)
        print("save train example nums={}".format(train_nums))
    
        # 产生val.record文件
        image_dir='dataset/val'
        val_labels = 'dataset/val.txt'  # 图片路径
        val_record_output = 'dataset/record/val.tfrecords'
        create_records(image_dir,val_labels, val_record_output, resize_height, resize_width,shuffle,log)
        val_nums=get_example_nums(val_record_output)
        print("save val example nums={}".format(val_nums))
    
        # 测试显示函数
        # disp_records(train_record_output,resize_height, resize_width)
        batch_test(train_record_output,resize_height, resize_width)

### （2）生成单个record文件 (多label) ###

对于多label的情况，你可以在单label的基础上增加多个“label': tf.FixedLenFeature(\[\], tf.int64)“，但每次label个数不一样时，都需要修改，挺麻烦的。这里提供一个方法：label数据也可以像图像数据那样，转为string类型来保存：labels\_raw = np.asanyarray(labels,dtype=np.float32).tostring() ，解析时也跟图像数据一样进行解析：tf\_label = tf.decode\_raw(features\['labels'\],tf.float32) ，这样，不管多少个label,我们都可以保存为record文件了：

多label的TXT文件：

0.jpg 0.33 0.55
    1.jpg 0.42 0.73
    2.jpg 0.16 0.75
    3.jpg 0.78 0.66
    4.jpg 0.46 0.59
    5.jpg 0.46 0.09
    6.jpg 0.89 0.93
    7.jpg 0.42 0.82
    8.jpg 0.39 0.76
    9.jpg 0.46 0.40

# -*-coding: utf-8 -*-
    """
        @Project: create_tfrecord
        @File   : create_tf_record_multi_label.py
        @Author : panjq
        @E-mail : pan_jinquan@163.com
        @Date   : 2018-07-27 17:19:54
        @desc   : 将图片数据,多label,保存为单个tfrecord文件
    """
    
    ##########################################################################
    
    import tensorflow as tf
    import numpy as np
    import os
    import cv2
    import matplotlib.pyplot as plt
    import random
    from PIL import Image
    
    
    ##########################################################################
    def _int64_feature(value):
        return tf.train.Feature(int64_list=tf.train.Int64List(value=[value]))
    
    def _float_feature(value):
        return tf.train.Feature(float_list=tf.train.FloatList(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]))
    # 生成实数型的属性
    def float_list_feature(value):
      return tf.train.Feature(float_list=tf.train.FloatList(value=value))
    
    def get_example_nums(tf_records_filenames):
        '''
        统计tf_records图像的个数(example)个数
        :param tf_records_filenames: tf_records文件路径
        :return:
        '''
        nums= 0
        for record in tf.python_io.tf_record_iterator(tf_records_filenames):
            nums += 1
        return nums
    
    def show_image(title,image):
        '''
        显示图片
        :param title: 图像标题
        :param image: 图像的数据
        :return:
        '''
        # plt.figure("show_image")
        # print(image.dtype)
        plt.imshow(image)
        plt.axis('on')    # 关掉坐标轴为 off
        plt.title(title)  # 图像题目
        plt.show()
    
    def load_labels_file(filename,labels_num=1,shuffle=False):
        '''
        载图txt文件，文件中每行为一个图片信息，且以空格隔开：图像路径 标签1 标签2，如：test_image/1.jpg 0 2
        :param filename:
        :param labels_num :labels个数
        :param shuffle :是否打乱顺序
        :return:images type->list
        :return:labels type->list
        '''
        images=[]
        labels=[]
        with open(filename) as f:
            lines_list=f.readlines()
            if shuffle:
                random.shuffle(lines_list)
    
            for lines in lines_list:
                line=lines.rstrip().split(' ')
                label=[]
                for i in range(labels_num):
                    label.append(float(line[i+1]))
                images.append(line[0])
                labels.append(label)
        return images,labels
    
    def read_image(filename, resize_height, resize_width,normalization=False):
        '''
        读取图片数据,默认返回的是uint8,[0,255]
        :param filename:
        :param resize_height:
        :param resize_width:
        :param normalization:是否归一化到[0.,1.0]
        :return: 返回的图片数据
        '''
    
        bgr_image = cv2.imread(filename)
        if len(bgr_image.shape)==2:#若是灰度图则转为三通道
            print("Warning:gray image",filename)
            bgr_image = cv2.cvtColor(bgr_image, cv2.COLOR_GRAY2BGR)
    
        rgb_image = cv2.cvtColor(bgr_image, cv2.COLOR_BGR2RGB)#将BGR转为RGB
        # show_image(filename,rgb_image)
        # rgb_image=Image.open(filename)
        if resize_height>0 and resize_width>0:
            rgb_image=cv2.resize(rgb_image,(resize_width,resize_height))
        rgb_image=np.asanyarray(rgb_image)
        if normalization:
            # 不能写成:rgb_image=rgb_image/255
            rgb_image=rgb_image/255.0
        # show_image("src resize image",image)
        return rgb_image
    
    
    def get_batch_images(images,labels,batch_size,labels_nums,one_hot=False,shuffle=False,num_threads=1):
        '''
        :param images:图像
        :param labels:标签
        :param batch_size:
        :param labels_nums:标签个数
        :param one_hot:是否将labels转为one_hot的形式
        :param shuffle:是否打乱顺序,一般train时shuffle=True,验证时shuffle=False
        :return:返回batch的images和labels
        '''
        min_after_dequeue = 200
        capacity = min_after_dequeue + 3 * batch_size  # 保证capacity必须大于min_after_dequeue参数值
        if shuffle:
            images_batch, labels_batch = tf.train.shuffle_batch([images,labels],
                                                                        batch_size=batch_size,
                                                                        capacity=capacity,
                                                                        min_after_dequeue=min_after_dequeue,
                                                                        num_threads=num_threads)
        else:
            images_batch, labels_batch = tf.train.batch([images,labels],
                                                            batch_size=batch_size,
                                                            capacity=capacity,
                                                            num_threads=num_threads)
        if one_hot:
            labels_batch = tf.one_hot(labels_batch, labels_nums, 1, 0)
        return images_batch,labels_batch
    
    def read_records(filename,resize_height, resize_width,type=None):
        '''
        解析record文件:源文件的图像数据是RGB,uint8,[0,255],一般作为训练数据时,需要归一化到[0,1]
        :param filename:
        :param resize_height:
        :param resize_width:
        :param type:选择图像数据的返回类型
             None:默认将uint8-[0,255]转为float32-[0,255]
             normalization:归一化float32-[0,1]
             standardization:归一化float32-[0,1],再减均值中心化
        :return:
        '''
        # 创建文件队列,不限读取的数量
        filename_queue = tf.train.string_input_producer([filename])
        # create a reader from file queue
        reader = tf.TFRecordReader()
        # reader从文件队列中读入一个序列化的样本
        _, serialized_example = reader.read(filename_queue)
        # get feature from serialized example
        # 解析符号化的样本
        features = tf.parse_single_example(
            serialized_example,
            features={
                'image_raw': tf.FixedLenFeature([], tf.string),
                'height': tf.FixedLenFeature([], tf.int64),
                'width': tf.FixedLenFeature([], tf.int64),
                'depth': tf.FixedLenFeature([], tf.int64),
                'labels': tf.FixedLenFeature([], tf.string)
            }
        )
        tf_image = tf.decode_raw(features['image_raw'], tf.uint8)#获得图像原始的数据
    
        tf_height = features['height']
        tf_width = features['width']
        tf_depth = features['depth']
        # tf_label = tf.cast(features['labels'], tf.float32)
        tf_label = tf.decode_raw(features['labels'],tf.float32)
    
        # PS:恢复原始图像数据,reshape的大小必须与保存之前的图像shape一致,否则出错
        # tf_image=tf.reshape(tf_image, [-1])    # 转换为行向量
        tf_image=tf.reshape(tf_image, [resize_height, resize_width, 3]) # 设置图像的维度
    
        tf_label=tf.reshape(tf_label, [2]) # 设置图像的维度
    
    
        # 恢复数据后,才可以对图像进行resize_images:输入uint->输出float32
        # tf_image=tf.image.resize_images(tf_image,[224, 224])
    
        # [3]数据类型处理
        # 存储的图像类型为uint8,tensorflow训练时数据必须是tf.float32
        if type is None:
            tf_image = tf.cast(tf_image, tf.float32)
        elif type == 'normalization':  # [1]若需要归一化请使用:
            # 仅当输入数据是uint8,才会归一化[0,255]
            # tf_image = tf.cast(tf_image, dtype=tf.uint8)
            # tf_image = tf.image.convert_image_dtype(tf_image, tf.float32)
            tf_image = tf.cast(tf_image, tf.float32) * (1. / 255.0)  # 归一化
        elif type == 'standardization':  # 标准化
            # tf_image = tf.cast(tf_image, dtype=tf.uint8)
            # tf_image = tf.image.per_image_standardization(tf_image)  # 标准化（减均值除方差）
            # 若需要归一化,且中心化,假设均值为0.5,请使用:
            tf_image = tf.cast(tf_image, tf.float32) * (1. / 255) - 0.5  # 中心化
    
        # 这里仅仅返回图像和标签
        # return tf_image, tf_height,tf_width,tf_depth,tf_label
        return tf_image,tf_label
    
    
    def create_records(image_dir,file, output_record_dir, resize_height, resize_width,shuffle,log=5):
        '''
        实现将图像原始数据,label,长,宽等信息保存为record文件
        注意:读取的图像数据默认是uint8,再转为tf的字符串型BytesList保存,解析请需要根据需要转换类型
        :param image_dir:原始图像的目录
        :param file:输入保存图片信息的txt文件(image_dir+file构成图片的路径)
        :param output_record_dir:保存record文件的路径
        :param resize_height:
        :param resize_width:
        PS:当resize_height或者resize_width=0是,不执行resize
        :param shuffle:是否打乱顺序
        :param log:log信息打印间隔
        '''
        # 加载文件,仅获取一个label
        labels_num=2
        images_list, labels_list=load_labels_file(file,labels_num,shuffle)
    
        writer = tf.python_io.TFRecordWriter(output_record_dir)
        for i, [image_name, labels] in enumerate(zip(images_list, labels_list)):
            image_path=os.path.join(image_dir,images_list[i])
            if not os.path.exists(image_path):
                print('Err:no image',image_path)
                continue
            image = read_image(image_path, resize_height, resize_width)
            image_raw = image.tostring()
            if i%log==0 or i==len(images_list)-1:
                print('------------processing:%d-th------------' % (i))
                print('current image_path=%s' % (image_path),'shape:{}'.format(image.shape),'labels:{}'.format(labels))
            # 这里仅保存一个label,多label适当增加"'label': _int64_feature(label)"项
            # label=labels[0]
            # labels_raw="0.12,0,15"
            labels_raw = np.asanyarray(labels,dtype=np.float32).tostring()
    
            example = tf.train.Example(features=tf.train.Features(feature={
                'image_raw': _bytes_feature(image_raw),
                'height': _int64_feature(image.shape[0]),
                'width': _int64_feature(image.shape[1]),
                'depth': _int64_feature(image.shape[2]),
                'labels': _bytes_feature(labels_raw),
    
            }))
            writer.write(example.SerializeToString())
        writer.close()
    
    def disp_records(record_file,resize_height, resize_width,show_nums=4):
        '''
        解析record文件，并显示show_nums张图片，主要用于验证生成record文件是否成功
        :param tfrecord_file: record文件路径
        :return:
        '''
        # 读取record函数
        tf_image, tf_label = read_records(record_file,resize_height,resize_width,type='normalization')
        # 显示前4个图片
        init_op = tf.initialize_all_variables()
        with tf.Session() as sess:
            sess.run(init_op)
            coord = tf.train.Coordinator()
            threads = tf.train.start_queue_runners(sess=sess, coord=coord)
            for i in range(show_nums):
                image,label = sess.run([tf_image,tf_label])  # 在会话中取出image和label
                # image = tf_image.eval()
                # 直接从record解析的image是一个向量,需要reshape显示
                # image = image.reshape([height,width,depth])
                print('shape:{},tpye:{},labels:{}'.format(image.shape,image.dtype,label))
                # pilimg = Image.fromarray(np.asarray(image_eval_reshape))
                # pilimg.show()
                show_image("image:{}".format(label),image)
            coord.request_stop()
            coord.join(threads)
    
    
    def batch_test(record_file,resize_height, resize_width):
        '''
        :param record_file: record文件路径
        :param resize_height:
        :param resize_width:
        :return:
        :PS:image_batch, label_batch一般作为网络的输入
        '''
        # 读取record函数
        tf_image,tf_label = read_records(record_file,resize_height,resize_width,type='normalization')
        image_batch, label_batch= get_batch_images(tf_image,tf_label,batch_size=4,labels_nums=2,one_hot=False,shuffle=True)
    
        init = tf.global_variables_initializer()
        with tf.Session() as sess:  # 开始一个会话
            sess.run(init)
            coord = tf.train.Coordinator()
            threads = tf.train.start_queue_runners(coord=coord)
            for i in range(4):
                # 在会话中取出images和labels
                images, labels = sess.run([image_batch, label_batch])
                # 这里仅显示每个batch里第一张图片
                show_image("image", images[0, :, :, :])
                print('shape:{},tpye:{},labels:{}'.format(images.shape,images.dtype,labels))
    
            # 停止所有线程
            coord.request_stop()
            coord.join(threads)
    
    
    if __name__ == '__main__':
        # 参数设置
    
        resize_height = 224  # 指定存储图片高度
        resize_width = 224  # 指定存储图片宽度
        shuffle=True
        log=1000
        # 产生train.record文件
        image_dir='dataset_regression/images'
        train_labels = 'dataset_regression/train.txt'  # 图片路径
        train_record_output = 'dataset_regression/record/train.tfrecords'
        create_records(image_dir,train_labels, train_record_output, resize_height, resize_width,shuffle,log)
        train_nums=get_example_nums(train_record_output)
        print("save train example nums={}".format(train_nums))
        # 测试显示函数
        # disp_records(train_record_output,resize_height, resize_width)
        # 产生val.record文件
        image_dir='dataset_regression/images'
        val_labels = 'dataset_regression/val.txt'  # 图片路径
        val_record_output = 'dataset_regression/record/val.tfrecords'
        create_records(image_dir,val_labels, val_record_output, resize_height, resize_width,shuffle,log)
        val_nums=get_example_nums(val_record_output)
        print("save val example nums={}".format(val_nums))
        #
        # # 测试显示函数
        # # disp_records(train_record_output,resize_height, resize_width)
        # batch_test(val_record_output,resize_height, resize_width)

--------------------

### （3）生成多个record文件的方法 ###

上述该代码只能保存为单个record文件，当图片数据很多时候，会导致单个record文件超级巨大的情况，解决方法就是，将数据分成多个record文件保存，读取时，只需要将多个record文件的路径列表交给“tf.train.string\_input\_producer”。可以设置参数batchSize的大小，比如batchSize=2000，表示每2000张图片保存为一个\*.tfrecords,这样可以避免单个record文件过大的情况。

完整代码如下：

# -*-coding: utf-8 -*-
    """
        @Project: tf_record_demo
        @File   : tf_record_batchSize.py
        @Author : panjq
        @E-mail : pan_jinquan@163.com
        @Date   : 2018-07-27 17:19:54
        @desc   : 将图片数据保存为多个record文件
    """
    
    ##########################################################################
    
    import tensorflow as tf
    import numpy as np
    import os
    import cv2
    import math
    import matplotlib.pyplot as plt
    import random
    from PIL import Image
    
    
    ##########################################################################
    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]))
    # 生成实数型的属性
    def float_list_feature(value):
      return tf.train.Feature(float_list=tf.train.FloatList(value=value))
    
    def show_image(title,image):
        '''
        显示图片
        :param title: 图像标题
        :param image: 图像的数据
        :return:
        '''
        # plt.figure("show_image")
        # print(image.dtype)
        plt.imshow(image)
        plt.axis('on')    # 关掉坐标轴为 off
        plt.title(title)  # 图像题目
        plt.show()
    
    def load_labels_file(filename,labels_num=1):
        '''
        载图txt文件，文件中每行为一个图片信息，且以空格隔开：图像路径 标签1 标签2，如：test_image/1.jpg 0 2
        :param filename:
        :param labels_num :labels个数
        :return:images type->list
        :return:labels type->list
        '''
        images=[]
        labels=[]
        with open(filename) as f:
            for lines in f.readlines():
                line=lines.rstrip().split(' ')
                label=[]
                for i in range(labels_num):
                    label.append(int(line[i+1]))
                images.append(line[0])
                labels.append(label)
        return images,labels
    
    def read_image(filename, resize_height, resize_width):
        '''
        读取图片数据,默认返回的是uint8,[0,255]
        :param filename:
        :param resize_height:
        :param resize_width:
        :return: 返回的图片数据是uint8,[0,255]
        '''
    
        bgr_image = cv2.imread(filename)
        if len(bgr_image.shape)==2:#若是灰度图则转为三通道
            print("Warning:gray image",filename)
            bgr_image = cv2.cvtColor(bgr_image, cv2.COLOR_GRAY2BGR)
    
        rgb_image = cv2.cvtColor(bgr_image, cv2.COLOR_BGR2RGB)#将BGR转为RGB
        # show_image(filename,rgb_image)
        # rgb_image=Image.open(filename)
        if resize_height>0 and resize_width>0:
            rgb_image=cv2.resize(rgb_image,(resize_width,resize_height))
        rgb_image=np.asanyarray(rgb_image)
        # show_image("src resize image",image)
    
        return rgb_image
    
    
    def create_records(image_dir,file, record_txt_path, batchSize,resize_height, resize_width):
        '''
        实现将图像原始数据,label,长,宽等信息保存为record文件
        注意:读取的图像数据默认是uint8,再转为tf的字符串型BytesList保存,解析请需要根据需要转换类型
        :param image_dir:原始图像的目录
        :param file:输入保存图片信息的txt文件(image_dir+file构成图片的路径)
        :param output_record_txt_dir:保存record文件的路径
        :param batchSize: 每batchSize个图片保存一个*.tfrecords,避免单个文件过大
        :param resize_height:
        :param resize_width:
        PS:当resize_height或者resize_width=0是,不执行resize
        '''
        if os.path.exists(record_txt_path):
            os.remove(record_txt_path)
    
        setname, ext = record_txt_path.split('.')
    
        # 加载文件,仅获取一个label
        images_list, labels_list=load_labels_file(file,1)
        sample_num = len(images_list)
        # 打乱样本的数据
        # random.shuffle(labels_list)
        batchNum = int(math.ceil(1.0 * sample_num / batchSize))
    
        for i in range(batchNum):
            start = i * batchSize
            end = min((i + 1) * batchSize, sample_num)
            batch_images = images_list[start:end]
            batch_labels = labels_list[start:end]
            # 逐个保存*.tfrecords文件
            filename = setname + '{0}.tfrecords'.format(i)
            print('save:%s' % (filename))
    
            writer = tf.python_io.TFRecordWriter(filename)
            for i, [image_name, labels] in enumerate(zip(batch_images, batch_labels)):
                image_path=os.path.join(image_dir,batch_images[i])
                if not os.path.exists(image_path):
                    print('Err:no image',image_path)
                    continue
                image = read_image(image_path, resize_height, resize_width)
                image_raw = image.tostring()
                print('image_path=%s,shape:( %d, %d, %d)' % (image_path,image.shape[0], image.shape[1], image.shape[2]),'labels:',labels)
                # 这里仅保存一个label,多label适当增加"'label': _int64_feature(label)"项
                label=labels[0]
                example = tf.train.Example(features=tf.train.Features(feature={
                    'image_raw': _bytes_feature(image_raw),
                    'height': _int64_feature(image.shape[0]),
                    'width': _int64_feature(image.shape[1]),
                    'depth': _int64_feature(image.shape[2]),
                    'label': _int64_feature(label)
                }))
                writer.write(example.SerializeToString())
            writer.close()
    
            # 用txt保存*.tfrecords文件列表
            # record_list='{}.txt'.format(setname)
            with open(record_txt_path, 'a') as f:
                f.write(filename + '\n')
    
    def read_records(filename,resize_height, resize_width):
        '''
        解析record文件
        :param filename:保存*.tfrecords文件的txt文件路径
        :return:
        '''
        # 读取txt中所有*.tfrecords文件
        with open(filename, 'r') as f:
            lines = f.readlines()
            files_list=[]
            for line in lines:
                files_list.append(line.rstrip())
    
        # 创建文件队列,不限读取的数量
        filename_queue = tf.train.string_input_producer(files_list,shuffle=False)
        # create a reader from file queue
        reader = tf.TFRecordReader()
        # reader从文件队列中读入一个序列化的样本
        _, serialized_example = reader.read(filename_queue)
        # get feature from serialized example
        # 解析符号化的样本
        features = tf.parse_single_example(
            serialized_example,
            features={
                'image_raw': tf.FixedLenFeature([], tf.string),
                'height': tf.FixedLenFeature([], tf.int64),
                'width': tf.FixedLenFeature([], tf.int64),
                'depth': tf.FixedLenFeature([], tf.int64),
                'label': tf.FixedLenFeature([], tf.int64)
            }
        )
        tf_image = tf.decode_raw(features['image_raw'], tf.uint8)#获得图像原始的数据
    
        tf_height = features['height']
        tf_width = features['width']
        tf_depth = features['depth']
        tf_label = tf.cast(features['label'], tf.int32)
        # tf_image=tf.reshape(tf_image, [-1])    # 转换为行向量
        tf_image=tf.reshape(tf_image, [resize_height, resize_width, 3]) # 设置图像的维度
        # 存储的图像类型为uint8,这里需要将类型转为tf.float32
        # tf_image = tf.cast(tf_image, tf.float32)
        # [1]若需要归一化请使用:
        tf_image = tf.image.convert_image_dtype(tf_image, tf.float32)# 归一化
        # tf_image = tf.cast(tf_image, tf.float32) * (1. / 255)  # 归一化
        # [2]若需要归一化,且中心化,假设均值为0.5,请使用:
        # tf_image = tf.cast(tf_image, tf.float32) * (1. / 255) - 0.5 #中心化
        return tf_image, tf_height,tf_width,tf_depth,tf_label
    
    def disp_records(record_file,resize_height, resize_width,show_nums=4):
        '''
        解析record文件，并显示show_nums张图片，主要用于验证生成record文件是否成功
        :param tfrecord_file: record文件路径
        :param resize_height:
        :param resize_width:
        :param show_nums: 默认显示前四张照片
    
        :return:
        '''
        tf_image, tf_height, tf_width, tf_depth, tf_label = read_records(record_file,resize_height, resize_width)  # 读取函数
        # 显示前show_nums个图片
        init_op = tf.initialize_all_variables()
        with tf.Session() as sess:
            sess.run(init_op)
            coord = tf.train.Coordinator()
            threads = tf.train.start_queue_runners(sess=sess, coord=coord)
            for i in range(show_nums):
                image,height,width,depth,label = sess.run([tf_image,tf_height,tf_width,tf_depth,tf_label])  # 在会话中取出image和label
                # image = tf_image.eval()
                # 直接从record解析的image是一个向量,需要reshape显示
                # image = image.reshape([height,width,depth])
                print('shape:',image.shape,'label:',label)
                # pilimg = Image.fromarray(np.asarray(image_eval_reshape))
                # pilimg.show()
                show_image("image:%d"%(label),image)
            coord.request_stop()
            coord.join(threads)
    
    
    def batch_test(record_file,resize_height, resize_width):
        '''
        :param record_file: record文件路径
        :param resize_height:
        :param resize_width:
        :return:
        :PS:image_batch, label_batch一般作为网络的输入
        '''
    
        tf_image,tf_height,tf_width,tf_depth,tf_label = read_records(record_file,resize_height, resize_width) # 读取函数
    
        # 使用shuffle_batch可以随机打乱输入:
        # shuffle_batch用法:https://blog.csdn.net/u013555719/article/details/77679964
        min_after_dequeue = 100#该值越大,数据越乱,必须小于capacity
        batch_size = 4
        # capacity = (min_after_dequeue + (num_threads + a small safety margin∗batchsize)
        capacity = min_after_dequeue + 3 * batch_size#容量:一个整数,队列中的最大的元素数
    
        image_batch, label_batch = tf.train.shuffle_batch([tf_image, tf_label],
                                                          batch_size=batch_size,
                                                          capacity=capacity,
                                                          min_after_dequeue=min_after_dequeue)
    
        init = tf.global_variables_initializer()
        with tf.Session() as sess:  # 开始一个会话
            sess.run(init)
            coord = tf.train.Coordinator()
            threads = tf.train.start_queue_runners(coord=coord)
            for i in range(4):
                # 在会话中取出images和labels
                images, labels = sess.run([image_batch, label_batch])
                # 这里仅显示每个batch里第一张图片
                show_image("image", images[0, :, :, :])
                print(images.shape, labels)
            # 停止所有线程
            coord.request_stop()
            coord.join(threads)
    
    
    if __name__ == '__main__':
        # 参数设置
        image_dir='dataset/train'
        train_file = 'dataset/train.txt'  # 图片路径
        output_record_txt = 'dataset/record/record.txt'#指定保存record的文件列表
        resize_height = 224  # 指定存储图片高度
        resize_width = 224  # 指定存储图片宽度
        batchSize=8000     #batchSize一般设置为8000,即每batchSize张照片保存为一个record文件
        # 产生record文件
        create_records(image_dir=image_dir,
                       file=train_file,
                       record_txt_path=output_record_txt,
                       batchSize=batchSize,
                       resize_height=resize_height,
                       resize_width=resize_width)
    
        # 测试显示函数
        disp_records(output_record_txt,resize_height, resize_width)
    
        # batch_test(output_record_txt,resize_height, resize_width)

--------------------

## 1.2. 直接文件读取方式  ##

上面介绍的是如何将数据转存为TFrecord文件，训练时再解析TFrecord。这种转存为TFrecord数据格式的方法，虽然高效，但也丧失了灵活性，特别是新增数据或者删除相关数据时，这时就不得不重新制作TFrecord数据了。这就挺麻烦啦，如果不想转为TFrecord文件，可以直接读取图像文件进行训练。

这种方法比较简单，灵活性很强，但效率很低，因为每次迭代训练，GPU/CPU都要等待数据读取I/O操作，图像文件读取以及预处理过程本身就很耗时，甚至比你迭代一次网络还耗时。解决的方法，就是采用tf.data.Dataset数据读取机制。

直接文件读取方式的完整代码可以参考如下：

假设我们有train.txt的文件数据如下：

> 0.jpg 0  
> 1.jpg 0  
> 2.jpg 0  
> 3.jpg 0  
> 4.jpg 0  
> 5.jpg 1  
> 6.jpg 1  
> 7.jpg 1  
> 8.jpg 1  
> 9.jpg 1

可以使用下面的方法直接读取图像数据，并产生一个batch的训练数据：

# -*-coding: utf-8 -*-
    """
        @Project: tf_record_demo
        @File   : tf_read_files.py
        @Author : panjq
        @E-mail : pan_jinquan@163.com
        @Date   : 2018-10-14 10:44:06
    """
    import tensorflow as tf
    import glob
    import numpy as np
    import os
    import matplotlib.pyplot as plt
    
    import cv2
    def show_image(title, image):
        '''
        显示图片
        :param title: 图像标题
        :param image: 图像的数据
        :return:
        '''
        # plt.imshow(image, cmap='gray')
        plt.imshow(image)
        plt.axis('on')  # 关掉坐标轴为 off
        plt.title(title)  # 图像题目
        plt.show()
    
    
    def tf_read_image(filename, resize_height, resize_width):
        '''
        读取图片
        :param filename:
        :param resize_height:
        :param resize_width:
        :return:
        '''
        image_string = tf.read_file(filename)
        image_decoded = tf.image.decode_jpeg(image_string, channels=3)
        # tf_image = tf.cast(image_decoded, tf.float32)
        tf_image = tf.cast(image_decoded, tf.float32) * (1. / 255.0)  # 归一化
        if resize_width>0 and resize_height>0:
            tf_image = tf.image.resize_images(tf_image, [resize_height, resize_width])
        # tf_image = tf.image.per_image_standardization(tf_image)  # 标准化[0,1]（减均值除方差）
        return tf_image
    
    
    def get_batch_images(image_list, label_list, batch_size, labels_nums, resize_height, resize_width, one_hot=False, shuffle=False):
        '''
        :param image_list:图像
        :param label_list:标签
        :param batch_size:
        :param labels_nums:标签个数
        :param one_hot:是否将labels转为one_hot的形式
        :param shuffle:是否打乱顺序,一般train时shuffle=True,验证时shuffle=False
        :return:返回batch的images和labels
        '''
        # 生成队列
        image_que, tf_label = tf.train.slice_input_producer([image_list, label_list], shuffle=shuffle)
        tf_image = tf_read_image(image_que, resize_height, resize_width)
        min_after_dequeue = 200
        capacity = min_after_dequeue + 3 * batch_size  # 保证capacity必须大于min_after_dequeue参数值
        if shuffle:
            images_batch, labels_batch = tf.train.shuffle_batch([tf_image, tf_label],
                                                                batch_size=batch_size,
                                                                capacity=capacity,
                                                                min_after_dequeue=min_after_dequeue)
        else:
            images_batch, labels_batch = tf.train.batch([tf_image, tf_label],
                                                        batch_size=batch_size,
                                                        capacity=capacity)
        if one_hot:
            labels_batch = tf.one_hot(labels_batch, labels_nums, 1, 0)
        return images_batch, labels_batch
    
    
    def load_image_labels(filename):
        '''
        载图txt文件，文件中每行为一个图片信息，且以空格隔开：图像路径 标签1，如：test_image/1.jpg 0
        :param filename:
        :return:
        '''
        images_list = []
        labels_list = []
        with open(filename) as f:
            lines = f.readlines()
            for line in lines:
                # rstrip：用来去除结尾字符、空白符(包括\n、\r、\t、' '，即：换行、回车、制表符、空格)
                content = line.rstrip().split(' ')
                name = content[0]
                labels = []
                for value in content[1:]:
                    labels.append(int(value))
                images_list.append(name)
                labels_list.append(labels)
        return images_list, labels_list
    
    
    def batch_test(filename, image_dir):
        labels_nums = 2
        batch_size = 4
        resize_height = 200
        resize_width = 200
        image_list, label_list = load_image_labels(filename)
        image_list=[os.path.join(image_dir,image_name) for image_name in image_list]
    
        image_batch, labels_batch = get_batch_images(image_list=image_list,
                                                     label_list=label_list,
                                                     batch_size=batch_size,
                                                     labels_nums=labels_nums,
                                                     resize_height=resize_height, resize_width=resize_width,
                                                     one_hot=False, shuffle=True)
        with tf.Session() as sess:  # 开始一个会话
            sess.run(tf.global_variables_initializer())
            coord = tf.train.Coordinator()
            threads = tf.train.start_queue_runners(coord=coord)
            for i in range(4):
                # 在会话中取出images和labels
                images, labels = sess.run([image_batch, labels_batch])
                # 这里仅显示每个batch里第一张图片
                show_image("image", images[0, :, :, :])
                print('shape:{},tpye:{},labels:{}'.format(images.shape, images.dtype, labels))
    
            # 停止所有线程
            coord.request_stop()
            coord.join(threads)
    
    
    if __name__ == "__main__":
        image_dir = "./dataset/train"
        filename = "./dataset/train.txt"
        batch_test(filename, image_dir)

--------------------

# 2.tf.data.Dataset数据读取机制：Pipeline机制 #

要执行训练步骤，您必须首先提取并转换训练数据，然后将其提供给在加速器上运行的模型。然而，在一个简单的同步执行中，当 CPU 正在准备数据时，加速器则处于空闲状态。相反，当加速器正在训练模型时，CPU 则处于空闲状态。因此，**训练步骤时间是 CPU 预处理时间和加速器训练时间的总和**。

### prefetch(必须放在最后) ###

TensorFlow引入了tf.data.Dataset模块，使其数据读入的操作变得更为方便，而支持多线程（进程）的操作，也在效率上获得了一定程度的提高。使用tf.data.Dataset模块的pipline机制，可实现CPU多线程处理输入的数据，如读取图片和图片的一些的预处理，这样GPU可以专注于训练过程，而CPU去准备数据。

参考资料：

> [https://blog.csdn.net/u014061630/article/details/80776975][https_blog.csdn.net_u014061630_article_details_80776975]
> 
> (五星推荐)TensorFlow全新的数据读取方式：Dataset API入门教程:[http://baijiahao.baidu.com/s?id=1583657817436843385&wfr=spider&for=pc][http_baijiahao.baidu.com_s_id_1583657817436843385_wfr_spider_for_pc]

Pipelining 将一个训练步骤的预处理和模型执行重叠。当加速器正在执行训练步骤 N 时，CPU 正在准备步骤 N + 1 的数据。这样做的目的是可以将步骤时间缩短到极致，包含训练以及提取和转换数据所需时间（而不是总和）。

如果没有使用 pipelining，则 CPU 和 GPU / TPU 在大部分时间处于闲置状态：

![20190114163552286.png][]

而使用 pipelining 技术后，空闲时间显著减少：

![20190114163626642.png][]

tf.data API 通过 tf.data.Dataset.prefetch 转换提供了一个软件 pipelining 操作机制，该转换可用于将数据生成的时间与所消耗时间分离。特别是，转换使用后台线程和内部缓冲区，以便在请求输入数据集之前从输入数据集中预提取元素。因此，为了实现上面说明的 pipelining 效果，您可以将 prefetch(1) 添加为数据集管道的最终转换（如果单个训练步骤消耗 n 个元素，则添加 prefetch(n)）。

>     tf.data.Dataset.prefetch 提供了 software pipelining 机制。该函数解耦了 数据产生的时间 和 数据消耗的时间。具体来说，该函数有一个后台线程和一个内部缓存区，在数据被请求前，就从 dataset 中预加载一些数据（进一步提高性能）。prefech(n) 一般作为最后一个 transformation，其中 n 为 batch\_size。 prefetch 的使用方法如下：

要将此更改应用于我们的运行示例，请将：

dataset = dataset.batch(batch_size=FLAGS.batch_size)
    return dataset

更改为：

dataset = dataset.batch(batch_size=FLAGS.batch_size)
    dataset = dataset.prefetch(buffer_size=FLAGS.prefetch_buffer_size)
    return dataset

请注意，在任何时候只要有机会将 “制造者” 的工作与 “消费者” 的工作重叠，预取转换就会产生效益。前面的建议只是最常见的应用程序。

### map ###

使用 `tf.data.Dataset.map`，我们可以很方便地对数据集中的各个元素进行预处理。因为输入元素之间时独立的，所以可以在多个 CPU 核心上并行地进行预处理。`map` 变换提供了一个 `num_parallel_calls`参数去指定并行的级别。

准备批处理时，可能需要预处理输入元素。为此，tf.data API 提供了 tf.data.Dataset.map 转换，它将用户定义的函数（例如，运行示例中的 parse\_fn）应用于输入数据集的每个元素。由于输入元素彼此独立，因此可以跨多个 CPU 内核并行化预处理。为了实现这一点，map 转换提供了 thenum\_parallel\_calls 参数来指定并行度。例如，下图说明了将 num\_parallel\_calls = 2 设置为 map 转换的效果：

dataset = dataset.map(map_func=parse_fn, num_parallel_calls=FLAGS.num_parallel_calls)

### repeat ###

repeat的功能就是将整个序列重复多次，主要用来处理机器学习中的epoch，假设原先的数据是一个epoch，使用repeat(5)就可以将之变成5个epoch：

如果直接调用repeat()的话，生成的序列就会无限重复下去，没有结束，因此也不会抛出tf.errors.OutOfRangeError异常

### 实例代码1：dataset.make\_initializable\_iterator() ###

# -*-coding: utf-8 -*-
    """
        @Project: fine tuning
        @File   : pipeline.py
        @Author : panjq
        @E-mail : pan_jinquan@163.com
        @Date   : 2018-11-17 20:18:54
    """
    import tensorflow as tf
    import numpy as np
    import glob
    import matplotlib.pyplot as plt
    
    width=0
    height=0
    def show_image(title, image):
        '''
        显示图片
        :param title: 图像标题
        :param image: 图像的数据
        :return:
        '''
        # plt.figure("show_image")
        # print(image.dtype)
        plt.imshow(image)
        plt.axis('on')  # 关掉坐标轴为 off
        plt.title(title)  # 图像题目
        plt.show()
    
    
    def tf_read_image(filename, label):
        image_string = tf.read_file(filename)
        image_decoded = tf.image.decode_jpeg(image_string, channels=3)
        image = tf.cast(image_decoded, tf.float32)
        if width>0 and height>0:
            image = tf.image.resize_images(image, [height, width])
        image = tf.cast(image, tf.float32) * (1. / 255.0)  # 归一化
        return image, label
    
    
    def input_fun(files_list, labels_list, batch_size, shuffle=True):
        '''
        :param files_list:
        :param labels_list:
        :param batch_size:
        :param shuffle:
        :return:
        '''
        # 构建数据集
        dataset = tf.data.Dataset.from_tensor_slices((files_list, labels_list))
        if shuffle:
            dataset = dataset.shuffle(100)
        dataset = dataset.repeat()  # 空为无限循环
        dataset = dataset.map(tf_read_image, num_parallel_calls=4)  # num_parallel_calls一般设置为cpu内核数量
        dataset = dataset.batch(batch_size)
        dataset = dataset.prefetch(2)  # software pipelining 机制
        return dataset
    
    
    if __name__ == '__main__':
        data_dir = 'dataset/image/*.jpg'
        # labels_list = tf.constant([0,1,2,3,4])
        # labels_list = [1, 2, 3, 4, 5]
        files_list = glob.glob(data_dir)
        labels_list = np.arange(len(files_list))
        num_sample = len(files_list)
        batch_size = 1
        dataset = input_fun(files_list, labels_list, batch_size=batch_size, shuffle=False)
    
        # 需满足：max_iterate*batch_size <=num_sample*num_epoch，否则越界
        max_iterate = 3
        with tf.Session() as sess:
            iterator = dataset.make_initializable_iterator()
            init_op = iterator.make_initializer(dataset)
            sess.run(init_op)
            iterator = iterator.get_next()
            for i in range(max_iterate):
                images, labels = sess.run(iterator)
                show_image("image", images[0, :, :, :])
                print('shape:{},tpye:{},labels:{}'.format(images.shape, images.dtype, labels))

### 实例代码2：dataset.make\_one\_shot\_iterator() ###

上面的迭代器是使用dataset.make\_initializable\_iterator()，当然一个更简单的方法是使用dataset.make\_one\_shot\_iterator()，下面的代码，可把dataset.make\_one\_shot\_iterator()放在input\_fun函数中，直接返回一个迭代器**iterator**：

# -*-coding: utf-8 -*-
    """
        @Project: fine tuning
        @File   : pipeline.py
        @Author : panjq
        @E-mail : pan_jinquan@163.com
        @Date   : 2018-11-17 20:18:54
    """
    import tensorflow as tf
    import numpy as np
    import glob
    import matplotlib.pyplot as plt
    
    width = 224
    height = 224
    
    
    def show_image(title, image):
        '''
        显示图片
        :param title: 图像标题
        :param image: 图像的数据
        :return:
        '''
        # plt.figure("show_image")
        # print(image.dtype)
        plt.imshow(image)
        plt.axis('on')  # 关掉坐标轴为 off
        plt.title(title)  # 图像题目
        plt.show()
    
    
    def tf_read_image(filename, label):
        image_string = tf.read_file(filename)
        image_decoded = tf.image.decode_jpeg(image_string, channels=3)
        image = tf.cast(image_decoded, tf.float32)
        if width > 0 and height > 0:
            image = tf.image.resize_images(image, [height, width])
        image = tf.cast(image, tf.float32) * (1. / 255.0)  # 归一化
        return image, label
    
    
    def input_fun(files_list, labels_list, batch_size, shuffle=True):
        '''
        :param files_list:
        :param labels_list:
        :param batch_size:
        :param shuffle:
        :return:
        '''
        # 构建数据集
        dataset = tf.data.Dataset.from_tensor_slices((files_list, labels_list))
        if shuffle:
            dataset = dataset.shuffle(100)
        dataset = dataset.repeat()  # 空为无限循环
        dataset = dataset.map(tf_read_image, num_parallel_calls=4)  # num_parallel_calls一般设置为cpu内核数量
        dataset = dataset.batch(batch_size)
        dataset = dataset.prefetch(2)  # software pipelining 机制
    
        iterator = dataset.make_one_shot_iterator()
        return iterator
    
    
    if __name__ == '__main__':
        data_dir = './data/demo_data/*.jpg'
        # labels_list = tf.constant([0,1,2,3,4])
        # labels_list = [1, 2, 3, 4, 5]
        files_list = glob.glob(data_dir)
        labels_list = np.arange(len(files_list))
        num_sample = len(files_list)
        batch_size = 4
        iterator = input_fun(files_list, labels_list, batch_size=batch_size, shuffle=False)
    
        # 需满足：max_iterate*batch_size <=num_sample*num_epoch，否则越界
        max_iterate = 3
        with tf.Session() as sess:
            # iterator = dataset.make_initializable_iterator()
            # init_op = iterator.make_initializer(dataset)
            # sess.run(init_op)
            iterator = iterator.get_next()
            for i in range(max_iterate):
                images, labels = sess.run(iterator)
                show_image("image", images[0, :, :, :])
                print('shape:{},tpye:{},labels:{}'.format(images.shape, images.dtype, labels))

### 实例代码3：产生用于训练的图和label ###

假设train.txt的数据如下：

0_8354.jpg 8 3 5 4
    1_3621.jpg 3 6 2 1
    2_4326.jpg 4 3 2 6
    3_7711.jpg 7 7 1 1

# -*-coding: utf-8 -*-
    """
        @Project: verification_code
        @File   : dataset.py
        @Author : panjq
        @E-mail : pan_jinquan@163.com
        @Date   : 2019-03-03 18:45:13
    """
    import tensorflow as tf
    import numpy as np
    import glob
    import os
    import matplotlib.pyplot as plt
    from utils import file_processing,image_processing
    
    print("TF Version:{}".format(tf.__version__))
    
    resize_height = 0  # 指定存储图片高度
    resize_width = 0  # 指定存储图片宽度
    
    def load_image_labels(filename):
        '''
        载图txt文件，文件中每行为一个图片信息，且以空格隔开：图像路径 标签1 标签1，如：test_image/1.jpg 0 2
        :param filename:
        :return:
        '''
        images_list=[]
        labels_list=[]
        with open(filename) as f:
            lines = f.readlines()
            for line in lines:
                #rstrip：用来去除结尾字符、空白符(包括\n、\r、\t、' '，即：换行、回车、制表符、空格)
                content=line.rstrip().split(' ')
                name=content[0]
                labels=[]
                for value in content[1:]:
                    labels.append(int(value))
                images_list.append(name)
                labels_list.append(labels)
        return images_list,labels_list
    
    def show_image(title, image):
        '''
        显示图片
        :param title: 图像标题
        :param image: 图像的数据
        :return:
        '''
        # plt.figure("show_image")
        # print(image.dtype)
        plt.imshow(image)
        plt.axis('on')  # 关掉坐标轴为 off
        plt.title(title)  # 图像题目
        plt.show()
    
    def tf_resize_image(image, width=0, height=0):
        if (width is None) or (height is None):  # 错误写法：resize_height and resize_width is None
            return image
        image = tf.image.resize_images(image, [height, width])
        return image
    
    
    def tf_read_image(file, width, height):
        image_string = tf.read_file(file)
        image_decoded = tf.image.decode_jpeg(image_string, channels=3)
        image = tf.cast(image_decoded, tf.float32)
        image=tf_resize_image(image, width, height)
        image = tf.cast(image, tf.float32) * (1. / 255.0)  # 归一化
        return image
    
    def map_read_image(files_list, labels_list):
        tf_image=tf_read_image(files_list,resize_width,resize_height)
        return tf_image,labels_list
    
    def input_fun(files_list, labels_list, batch_size, shuffle=True):
        '''
        :param orig_image:
        :param dest_image:
        :param batch_size:
        :param num_epoch:
        :param shuffle:
        :return:
        '''
        # 构建数据集
        dataset = tf.data.Dataset.from_tensor_slices((files_list, labels_list))#TF version>=1.4
        # dataset = tf.contrib.data.Dataset.from_tensor_slices((files_list, labels_list))#TF version<1.4
    
        if shuffle:
            dataset = dataset.shuffle(100)
        dataset = dataset.repeat()  # 空为无限循环
        # dataset = dataset.map(map_read_image, num_parallel_calls=4)  # num_parallel_calls一般设置为cpu内核数量
        dataset = dataset.map(map_read_image)  # num_parallel_calls一般设置为cpu内核数量
    
        dataset = dataset.batch(batch_size)
        dataset = dataset.prefetch(2)  # software pipelining 机制
        dataset = dataset.make_one_shot_iterator()
        return dataset
    
    
    def get_image_data(images_list, image_dir,labels_list, batch_size, re_height, re_width, shuffle=False):
        global resize_height
        global resize_width
        resize_height = re_height  # 指定存储图片高度
        resize_width = re_width    # 指定存储图片宽度
        image_list = [os.path.join(image_dir, name) for name in images_list]
        dataset = input_fun(image_list, labels_list, batch_size, shuffle)
        return dataset
    
    if __name__ == '__main__':
        filename='../dataset/train.txt'
        image_dir="E:/TensoFlow/verification_code/dataset/train"
        images_list, labels_list=load_image_labels(filename)
        batch_size = 4
        dataset=get_image_data(images_list, image_dir,labels_list, batch_size, re_height=None, re_width=None, shuffle=False)
        # 需满足：max_iterate*batch_size <=num_sample*num_epoch，否则越界
        max_iterate = 3
        with tf.Session() as sess:
            # dataset = dataset.make_initializable_iterator()
            # init_op = dataset.make_initializer(dataset)
            # sess.run(init_op)
            dataset = dataset.get_next()
            for i in range(max_iterate):
                images, labels = sess.run(dataset)
                print('shape:{},tpye:{},labels:{}'.format(images.shape, images.dtype, labels))
                show_image("image", images[0, :, :, :])

### 实例代码4：产生用于训练的原始图和target目标图 ###

# -*-coding: utf-8 -*-
    """
        @Project: triple_path_networks
        @File   : load_data.py
        @Author : panjq
        @E-mail : pan_jinquan@163.com
        @Date   : 2018-11-29 11:40:37
    """
    
    import tensorflow as tf
    
    import glob
    import numpy as np
    import utils.image_processing as image_processing
    import os
    print("TF Version:{}".format(tf.__version__))
    
    resize_height = 0  # 指定存储图片高度
    resize_width = 0   # 指定存储图片宽度
    
    def write_data(file, content_list, model):
        with open(file, mode=model) as f:
            for line in content_list:
                f.write(line + "\n")
    
    def read_data(file):
        with open(file, mode="r") as f:
            content_list = f.readlines()
            content_list = [content.rstrip() for content in content_list]
        return content_list
    
    def read_train_val_data(filename,factor=0.8):
        image_list = read_data(filename)
        trian_num=int(len(image_list)*factor)
        train_list = image_list[:trian_num]
        val_list = image_list[trian_num:]
        print("data info***************************")
        print("--train nums:{}".format(len(train_list)))
        print("--val   nums:{}".format(len(val_list)))
        print("************************************")
        return train_list,val_list
    
    def tf_resize_image(image,width=0,height=0):
        if height>0 and width>0:
            image = tf.image.resize_images(image, [height, width])
        return image
    
    def tf_read_image(file,width=224,height=224):
        image_string = tf.read_file(file)
        image_decoded = tf.image.decode_jpeg(image_string, channels=3)
        image = tf.cast(image_decoded, tf.float32)
        if height>0 and width>0:
            image = tf.image.resize_images(image, [height, width])
        image = tf.cast(image, tf.float32) * (1. / 255.0)  # 归一化
        return image
    
    def map_read_image(orig_file, dest_file):
        orig_image=tf_read_image(orig_file,resize_width,resize_height)
        dest_image=tf_read_image(dest_file,resize_width,resize_height)
        return orig_image,dest_image
    
    def input_fun(orig_image, dest_image, batch_size, shuffle=True):
        '''
        :param orig_image:
        :param dest_image:
        :param batch_size:
        :param num_epoch:
        :param shuffle:
        :return:
        '''
        # 构建数据集
        # dataset = tf.data.Dataset.from_tensor_slices((orig_image, dest_image))
        dataset = tf.contrib.data.Dataset.from_tensor_slices((orig_image, dest_image))
    
        if shuffle:
            dataset = dataset.shuffle(100)
        dataset = dataset.repeat()  #空为无限循环
        # dataset = dataset.map(map_read_image, num_parallel_calls=4)  # num_parallel_calls一般设置为cpu内核数量
        dataset = dataset.map(map_read_image)  # num_parallel_calls一般设置为cpu内核数量
    
        dataset = dataset.batch(batch_size)
        # dataset = dataset.prefetch(2)  # software pipelining 机制
        return dataset
    
    def get_image_data(file_list,orig_dir,dest_dir,batch_size,re_height,re_width,shuffle=False):
        global resize_height
        global resize_width
        resize_height = re_height  # 指定存储图片高度
        resize_width = re_width  # 指定存储图片宽度
    
        orig_image_list=[os.path.join(orig_dir,name) for name in file_list]
        dest_image_list=[os.path.join(dest_dir,name) for name in file_list]
        dataset = input_fun(orig_image_list, dest_image_list, batch_size=batch_size,shuffle=shuffle)
        return dataset
    
    if __name__ == '__main__':
        orig_dir="../dataset/blackberry/blackberry"
        dest_dir="../dataset/blackberry/canon"
        filename="../dataset/blackberry/filelist.txt"
        batch_size = 1
        file_list=read_data(filename)
        dataset = get_image_data(file_list,orig_dir, dest_dir, batch_size=batch_size,shuffle=False)
        # 迭代次数：max_iterate=10
        # 需满足：max_iterate*batch_size <=num_sample*num_epoch，否则越界
        max_iterate = 5
        with tf.Session() as sess:
            iterator = dataset.make_initializable_iterator()
            init_op = iterator.make_initializer(dataset)
            sess.run(init_op)
            iterator = iterator.get_next()
            for i in range(max_iterate):
                orig_image, dest_image = sess.run(iterator)
                image_processing.show_image("orig_image", orig_image[0, :, :, :])
                image_processing.show_image("dest_image", dest_image[0, :, :, :])
                print('orig_image:{},dest_image:{}'.format(orig_image.shape, dest_image.shape))

### 实例代码5： tf.data.Dataset.from\_generator ###

tf.data.Dataset.from\_tensor\_slices并不支持输入长度不同list，比如以下代码

t = [[4,2], [3,4,5]]
    dataset = tf.data.Dataset.from_tensor_slices(t)

将会报错：

ValueError: Argument must be a dense tensor: [[4, 2], [3, 4, 5]] - got shape [2], but wanted [2, 2].

一种决解的方法，采用  tf.data.Dataset.from\_generator生成器：

import tensorflow as tf
    import numpy as np
    data1 = np.array([[1], [2, 3], [3, 4]])
    data2 = np.array([[10], [20, 30], [30, 40]])
    
    def data_generator():
        for el, e2 in zip(data1, data2):
            yield el, e2
    
    dataset = tf.data.Dataset.from_generator(data_generator,
                                             output_types=(tf.int32, tf.int32),
                                             output_shapes=(None, None)) #或者output_shapes=(tf.TensorShape([None]), tf.TensorShape([None]))
    
    iterator = dataset.make_one_shot_iterator()
    next_element = iterator.get_next()
    max_iter = 3
    with tf.Session() as sess:
        for i in range(max_iter):
            d1, d2 = sess.run(next_element)
            print("d1:{}".format(d1))
            print("d2:{}".format(d2))
            print("******************************")

输出：

> d1:\[1\]  
> d2:\[10\]  
> \*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*  
> d1:\[2 3\]  
> d2:\[20 30\]  
> \*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*  
> d1:\[3 4\]  
> d2:\[30 40\]  
> \*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*

参考资料：

> [https://stackoverflow.com/questions/47580716/how-to-input-a-list-of-lists-with-different-sizes-in-tf-data-dataset][https_stackoverflow.com_questions_47580716_how-to-input-a-list-of-lists-with-different-sizes-in-tf-data-dataset]
> 
> [https://blog.csdn.net/foreseerwang/article/details/80572182][https_blog.csdn.net_foreseerwang_article_details_80572182]
> 
> [https://blog.csdn.net/dqcfkyqdxym3f8rb0/article/details/79342369][https_blog.csdn.net_dqcfkyqdxym3f8rb0_article_details_79342369]（五星推荐）

--------------------

# 3. 用Python循环产生批量数据batch #

这部分请参考本人的博客《Python循环产生批量数据batch》  [https://blog.csdn.net/guyuealian/article/details/83473298][https_blog.csdn.net_guyuealian_article_details_83473298]

上面提到的方法都是在TensorFlow提高API接口完成的，数据预处理也必须依赖TensorFlow的API接口。当遇到一些特殊处理，而TensorFlow没有相应的接口时，就比较尴尬。比如要对输入的图像进行边缘检测处理时，这时能想到就是用OpenCV的*Canny*算法，一种简单的方法就是，每次sess.run()获得图像数据后，再调用OpenCV的*Canny算法……*是的，有的麻烦！

这里提供一个我自己设计方法，不依赖TensorFlow，灵活性很强，你可以对数据进行任意的操作，可以使用OpenCV，numpy等任意的库函数。

TXT文本如下，格式：图片名 label1 label2 ，注意label可以多个

1.jpg 1 11
    2.jpg 2 12
    3.jpg 3 13
    4.jpg 4 14
    5.jpg 5 15
    6.jpg 6 16
    7.jpg 7 17
    8.jpg 8 18

要想产生batch数据，关键是要用到Python的关键字yield，实现一个batch一个batch的返回数据，代码实现主要有两个方法：

>     def get_data_batch(inputs, batch_size=None, shuffle=False):
>         '''
>         循环产生批量数据batch
>         :param inputs: list数据
>         :param batch_size: batch大小
>         :param shuffle: 是否打乱inputs数据
>         :return: 返回一个batch数据
>         '''
> 
>     def get_next_batch(batch):
>         return batch.__next__()

使用时，将数据传到 get\_data\_batch( )方法，然后使用get\_next\_batch( )获得一个batch数据，完整的Python代码如下：

# -*-coding: utf-8 -*-
    """
        @Project: create_batch_data
        @File   : create_batch_data.py
        @Author : panjq
        @E-mail : pan_jinquan@163.com
        @Date   : 2017-10-27 18:20:15
    """
    import math
    import random
    import os
    import glob
    import numpy as np
    
    
    def get_data_batch(inputs, batch_size=None, shuffle=False):
        '''
        循环产生批量数据batch
        :param inputs: list类型数据，多个list,请[list0,list1,...]
        :param batch_size: batch大小
        :param shuffle: 是否打乱inputs数据
        :return: 返回一个batch数据
        '''
        rows = len(inputs[0])
        indices = list(range(rows))
        # 如果输入是list,则需要转为list
        if shuffle:
            random.seed(100)
            random.shuffle(indices)
        while True:
            batch_indices = np.asarray(indices[0:batch_size])  # 产生一个batch的index
            indices = indices[batch_size:] + indices[:batch_size]  # 循环移位，以便产生下一个batch
            batch_data = []
            for data in inputs:
                data = np.asarray(data)
                temp_data=data[batch_indices] #使用下标查找，必须是ndarray类型类型
                batch_data.append(temp_data.tolist())
            yield batch_data
    
    def get_data_batch2(inputs, batch_size=None, shuffle=False):
        '''
        循环产生批量数据batch
        :param inputs: list类型数据，多个list,请[list0,list1,...]
        :param batch_size: batch大小
        :param shuffle: 是否打乱inputs数据
        :return: 返回一个batch数据
        '''
        # rows,cols=inputs.shape
        rows = len(inputs[0])
        indices = list(range(rows))
        if shuffle:
            random.seed(100)
            random.shuffle(indices)
        while True:
            batch_indices = indices[0:batch_size]  # 产生一个batch的index
            indices = indices[batch_size:] + indices[:batch_size]  # 循环移位，以便产生下一个batch
            batch_data = []
            for data in inputs:
                temp_data = find_list(batch_indices, data)
                batch_data.append(temp_data)
            yield batch_data
    
    
    def find_list(indices, data):
        out = []
        for i in indices:
            out = out + [data[i]]
        return out
    
    
    def get_list_batch(inputs, batch_size=None, shuffle=False):
        '''
        循环产生batch数据
        :param inputs: list数据
        :param batch_size: batch大小
        :param shuffle: 是否打乱inputs数据
        :return: 返回一个batch数据
        '''
        if shuffle:
            random.shuffle(inputs)
        while True:
            batch_inouts = inputs[0:batch_size]
            inputs = inputs[batch_size:] + inputs[:batch_size]  # 循环移位，以便产生下一个batch
            yield batch_inouts
    
    
    def load_file_list(text_dir):
        text_dir = os.path.join(text_dir, '*.txt')
        text_list = glob.glob(text_dir)
        return text_list
    
    
    def get_next_batch(batch):
        return batch.__next__()
    
    
    def load_image_labels(finename):
        '''
        载图txt文件，文件中每行为一个图片信息，且以空格隔开：图像路径 标签1 标签1，如：test_image/1.jpg 0 2
        :param test_files:
        :return:
        '''
        images_list = []
        labels_list = []
        with open(finename) as f:
            lines = f.readlines()
            for line in lines:
                # rstrip：用来去除结尾字符、空白符(包括\n、\r、\t、' '，即：换行、回车、制表符、空格)
                content = line.rstrip().split(' ')
                name = content[0]
                labels = []
                for value in content[1:]:
                    labels.append(float(value))
                images_list.append(name)
                labels_list.append(labels)
        return images_list, labels_list
    
    
    if __name__ == '__main__':
        filename = './training_data/test.txt'
        images_list, labels_list = load_image_labels(filename)
    
        # 若输入为np.arange数组，则需要tolist()为list类型，如：
        # images_list = np.reshape(np.arange(8*3), (8,3))
        # labels_list = np.reshape(np.arange(8*3), (8,3))
        # images_list=images_list.tolist()
        # labels_list=labels_list.tolist()
    
        iter = 5  # 迭代3次，每次输出一个batch个
        # batch = get_data_batch([images_list, labels_list], batch_size=3, shuffle=False)
        batch = get_data_batch2(inputs=[images_list,labels_list], batch_size=5, shuffle=True)
    
        for i in range(iter):
            print('**************************')
            batch_images, batch_labels = get_next_batch(batch)
            print('batch_images:{}'.format(batch_images))
            print('batch_labels:{}'.format(batch_labels))

运行输出结果为：

> \*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*  
> batch\_images:\['1.jpg', '2.jpg', '3.jpg'\]  
> batch\_labels:\[\[1.0, 11.0\], \[2.0, 12.0\], \[3.0, 13.0\]\]  
> \*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*  
> batch\_images:\['4.jpg', '5.jpg', '6.jpg'\]  
> batch\_labels:\[\[4.0, 14.0\], \[5.0, 15.0\], \[6.0, 16.0\]\]  
> \*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*  
> batch\_images:\['7.jpg', '8.jpg', '1.jpg'\]  
> batch\_labels:\[\[7.0, 17.0\], \[8.0, 18.0\], \[1.0, 11.0\]\]  
> \*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*  
> batch\_images:\['2.jpg', '3.jpg', '4.jpg'\]  
> batch\_labels:\[\[2.0, 12.0\], \[3.0, 13.0\], \[4.0, 14.0\]\]  
> \*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*  
> batch\_images:\['5.jpg', '6.jpg', '7.jpg'\]  
> batch\_labels:\[\[5.0, 15.0\], \[6.0, 16.0\], \[7.0, 17.0\]\]
> 
> Process finished with exit code 0

--------------------

# 4.参考资料： #

> \[1\]https://blog.csdn.net/happyhorizion/article/details/77894055  (五星推荐)
> 
> \[2\]https://blog.csdn.net/ywx1832990/article/details/78462582
> 
> \[3\]https://blog.csdn.net/csuzhaoqinghui/article/details/51377941
> 
> \[4\]《[tf.data API，构建高性能 TensorFlow 输入管道][tf.data API_ TensorFlow]》

[Tensorflow_TFrecord]: https://blog.csdn.net/guyuealian/article/details/80857228
[https_github.com_PanJinquan_tensorflow-learning-tutorials]: https://github.com/PanJinquan/tensorflow-learning-tutorials/tree/master/tf_record_demo
[https_blog.csdn.net_u014061630_article_details_80776975]: https://blog.csdn.net/u014061630/article/details/80776975#span_id2121_ETL__codeprefetchcodespan_49
[http_baijiahao.baidu.com_s_id_1583657817436843385_wfr_spider_for_pc]: http://baijiahao.baidu.com/s?id=1583657817436843385&wfr=spider&for=pc
[20190114163552286.png]: /images/20220404/05e7589930894a70bac381c8db93db53.png
[20190114163626642.png]: /images/20220404/afb6528843424e26b47c38964d801c33.png
[https_stackoverflow.com_questions_47580716_how-to-input-a-list-of-lists-with-different-sizes-in-tf-data-dataset]: https://stackoverflow.com/questions/47580716/how-to-input-a-list-of-lists-with-different-sizes-in-tf-data-dataset
[https_blog.csdn.net_foreseerwang_article_details_80572182]: https://blog.csdn.net/foreseerwang/article/details/80572182
[https_blog.csdn.net_dqcfkyqdxym3f8rb0_article_details_79342369]: https://blog.csdn.net/dqcfkyqdxym3f8rb0/article/details/79342369
[https_blog.csdn.net_guyuealian_article_details_83473298]: https://blog.csdn.net/guyuealian/article/details/83473298
[tf.data API_ TensorFlow]: https://mp.weixin.qq.com/s?__biz=MzU1OTMyNDcxMQ==&mid=2247485431&idx=1&sn=c31c56efbcba93bb460ed27e9ca1cba9&chksm=fc184cbfcb6fc5a91d579b339da14e9b5cbaa0b8e21dc428e6900ee86aa05e69335097a56310&mpshare=1&scene=1&srcid=0114FQSOUcr2wMF9JKycFQ27#rd