官網的mnist和cifar10數據之后，筆者嘗試着制作自己的數據集，並保存，讀入，顯示。 TensorFlow可以支持cifar10的數據格式， 也提供了標准的TFRecord 格式，而關於 tensorflow 讀取數據， 官網提供了3中方法
1 Feeding： 在tensorflow程序運行的每一步， 用Python代碼在線提供數據
2 Reader ： 在一個計算圖（tf.graph）的開始前，將文件讀入到流（queue）中
3 在聲明tf.variable變量或numpy數組時保存數據。受限於內存大小，適用於數據較小的情況
在本文，主要介紹第二種方法，利用tf.record標准接口來讀入文件
准備圖片數據
筆者找了2類狗的圖片， 哈士奇和吉娃娃， 全部 resize成128 * 128大小
如下圖， 保存地址為/home/molys/Python/data/dog 
每類中有10張圖片 
現在利用這2 類 20張圖片制作TFRecord文件
制作TFRECORD文件
1 先聊一下tfrecord, 這是一種將圖像數據和標簽放在一起的二進制文件，能更好的利用內存，在tensorflow中快速的復制，移動，讀取，存儲 等等..
這里注意，tfrecord會根據你選擇輸入文件的類，自動給每一類打上同樣的標簽
如在本例中，只有0,1 兩類
2 先上“制作TFRecord文件”的代碼，注釋附詳解
import os
import tensorflow as tf
from PIL import Image #注意Image,后面會用到
import matplotlib.pyplot as plt
import numpy as np
cwd='/home/molys/Python/data/'
classes={'husky','chihuahua'} #人為 設定 2 類
writer= tf.python_io.TFRecordWriter("dog_train.tfrecords") #要生成的文件
for index,name in enumerate(classes):
class_path=cwd+name+'/'
for img_name in os.listdir(class_path):
img_path=class_path+img_name #每一個圖片的地址
img=Image.open(img_path)
img= img.resize((128,128))
img_raw=img.tobytes()#將圖片轉化為二進制格式
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]))
})) #example對象對label和image數據進行封裝
writer.write(example.SerializeToString()) #序列化為字符串
writer.close()
運行完這段代碼后，會生成dog_train.tfrecords 文件，如下圖 
tf.train.Example 協議內存塊包含了Features字段，通過feature將圖片的二進制數據和label進行統一封裝， 然后將example協議內存塊轉化為字符串， tf.python_io.TFRecordWriter 寫入到TFRecords文件中。
讀取TFRECORD文件
在制作完tfrecord文件后， 將該文件讀入到數據流中。
代碼如下
def read_and_decode(filename): # 讀入dog_train.tfrecords
filename_queue = tf.train.string_input_producer([filename])#生成一個queue隊列
reader = tf.TFRecordReader()
_, serialized_example = reader.read(filename_queue)#返回文件名和文件
features = tf.parse_single_example(serialized_example,
features={
'label': tf.FixedLenFeature([], tf.int64),
'img_raw' : tf.FixedLenFeature([], tf.string),
})#將image數據和label取出來
img = tf.decode_raw(features['img_raw'], tf.uint8)
img = tf.reshape(img, [128, 128, 3]) #reshape為128*128的3通道圖片
img = tf.cast(img, tf.float32) * (1. / 255) - 0.5 #在流中拋出img張量
label = tf.cast(features['label'], tf.int32) #在流中拋出label張量
return img, label
注意，feature的屬性“label”和“img_raw”名稱要和制作時統一 ，返回的img數據和label數據一一對應。返回的img和label是2個 tf 張量，print出來 如下圖 
顯示tfrecord格式的圖片
有些時候我們希望檢查分類是否有誤，或者在之后的網絡訓練過程中可以監視，輸出圖片，來觀察分類等操作的結果，那么我們就可以session回話中，將tfrecord的圖片從流中讀取出來，再保存。 緊跟着一開始的代碼寫：
filename_queue = tf.train.string_input_producer(["dog_train.tfrecords"]) #讀入流中
reader = tf.TFRecordReader()
_, serialized_example = reader.read(filename_queue) #返回文件名和文件
features = tf.parse_single_example(serialized_example,
features={
'label': tf.FixedLenFeature([], tf.int64),
'img_raw' : tf.FixedLenFeature([], tf.string),
}) #取出包含image和label的feature對象
image = tf.decode_raw(features['img_raw'], tf.uint8)
image = tf.reshape(image, [128, 128, 3])
label = tf.cast(features['label'], tf.int32)
with tf.Session() as sess: #開始一個會話
init_op = tf.initialize_all_variables()
sess.run(init_op)
coord=tf.train.Coordinator()
threads= tf.train.start_queue_runners(coord=coord)
for i in range(20):
example, l = sess.run([image,label])#在會話中取出image和label
img=Image.fromarray(example, 'RGB')#這里Image是之前提到的
img.save(cwd+str(i)+'_''Label_'+str(l)+'.jpg')#存下圖片
print(example, l)
coord.request_stop()
coord.join(threads)
代碼運行完后， 從tfrecord中取出的文件被保存了。如下圖： 
在這里我們可以看到，圖片文件名的第一個數字表示在流中的順序（筆者這里沒有用shuffle）， 第二個數字則是 每個圖片的label，吉娃娃都為0，哈士奇都為1。 由此可見，我們一開始制作tfrecord文件時，圖片分類正確。