貼一張自己畫的思維導圖
數據集准備
kaggle貓狗大戰數據集（訓練），微軟的不需要翻牆
- 12500張cat
- 12500張dog
生成圖片路徑和標簽的List
step1：獲取D:/Study/Python/Projects/Cats_vs_Dogs/data/Cat下所有的貓圖路徑名，存放到cats中，同時貼上標簽0，存放到label_cats中。狗圖同理。
train_dir = 'D:/Study/Python/Projects/Cats_vs_Dogs/data' def get_files(file_dir): for file in os.listdir(file_dir+'/Cat'): cats.append(file_dir +'/Cat'+'/'+ file) label_cats.append(0) for file in os.listdir(file_dir+'/Dog'): dogs.append(file_dir +'/Dog'+'/'+file) label_dogs.append(1)step2：對生成的圖片路徑和標簽List做打亂處理
#把cat和dog合起來組成一個list（img和lab） image_list = np.hstack((cats, dogs)) label_list = np.hstack((label_cats, label_dogs)) #利用shuffle打亂順序 temp = np.array([image_list, label_list]) temp = temp.transpose() np.random.shuffle(temp) #從打亂的temp中再取出list（img和lab） image_list = list(temp[:, 0]) label_list = list(temp[:, 1]) label_list = [int(i) for i in label_list]生成Batch
step1：將上面生成的List傳入get_batch() ，轉換類型，產生一個輸入隊列queue，因為img和lab是分開的，所以使用tf.train.slice_input_producer()，然后用tf.read_file()從隊列中讀取圖像
- image_W, image_H, ：設置好固定的圖像高度和寬度
- 設置batch_size：每個batch要放多少張圖片
- capacity：一個隊列最大多少
def get_batch(image, label, image_W, image_H, batch_size, capacity): #轉換類型 image = tf.cast(image, tf.string) label = tf.cast(label, tf.int32) # make an input queue input_queue = tf.train.slice_input_producer([image, label]) label = input_queue[1] image_contents = tf.read_file(input_queue[0]) #read img from a queuestep2：將圖像解碼，不同類型的圖像不能混在一起，要么只用jpeg，要么只用png等。
image = tf.image.decode_jpeg(image_contents, channels=3) step3：數據預處理，對圖像進行旋轉、縮放、裁剪、歸一化等操作，讓計算出的模型更健壯。
image = tf.image.resize_image_with_crop_or_pad(image, image_W, image_H) image = tf.image.per_image_standardization(image)
4：生成batch- image_batch: 4D tensor [batch_size, width, height, 3],dtype=tf.float32
- label_batch: 1D tensor [batch_size], dtype=tf.int32
image_batch, label_batch = tf.train.batch([image, label], batch_size= batch_size, num_threads= 32, capacity = capacity) #重新排列label，行數為[batch_size] label_batch = tf.reshape(label_batch, [batch_size]) image_batch = tf.cast(image_batch, tf.float32)測試
step1：變量初始化，每批2張圖，尺寸208x208，設置好自己的圖像路徑
BATCH_SIZE = 2 CAPACITY = 256 IMG_W = 208 IMG_H = 208 train_dir = 'D:/Study/Python/Projects/Cats_vs_Dogs/data'step2：調用前面的兩個函數，生成batch
image_list, label_list = get_files(train_dir) image_batch, label_batch = get_batch(image_list, label_list, IMG_W, IMG_H, BATCH_SIZE, CAPACITY)step3：開啟會話session，利用tf.train.Coordinator()和tf.train.start_queue_runners(coord=coord)來監控隊列（這里有個問題：官網的start_queue_runners()是有兩個參數的，sess和coord，但是在這里加上sess的話會報錯）。
利用try——except——finally結構來執行隊列操作（官網推薦的方法），避免程序卡死什么的。i<2執行兩次隊列操作，每一次取出2張圖放進batch里面，然后imshow出來看看效果。
with tf.Session() as sess: i = 0 coord = tf.train.Coordinator() threads = tf.train.start_queue_runners(coord=coord) try: while not coord.should_stop() and i<2: img, label = sess.run([image_batch, label_batch]) # just test one batch for j in np.arange(BATCH_SIZE): print('label: %d' %label[j]) plt.imshow(img[j,:,:,:]) plt.show() i+=1 except tf.errors.OutOfRangeError: print('done!') finally: coord.request_stop() coord.join(threads)step4：查看結果，會出現4張圖，resize的效果感覺不是很好，不知道是什么問題
2017.7.10 圖片不正常是因為生成batch的時候將image轉成了浮點型，吧image_batch = tf.cast(image_batch, tf.float32)注釋掉后就好了
