TensorFlow制作TFRecord文件方式的数据集的完整程序，最好标明怎么输入输出地址

# 将图片转换为TFrecord 格式并读取

import os

import tensorflow as tf

from PIL import Image

# 源数据地址

cwd = 'C:\\Users\\xiaodeng\\Desktop\\UCMerced_LandUse\\Images'

# 生成record路径及文件名

train_record_path = r"C:\\Users\州谈\xiaodeng\\Desktop\\train.tfrecords"

test_record_path = r"C:\\Users\\xiaodeng\\Desktop\\test.tfrecords"

# 分类

classes = {'agricultural','airplane','baseballdiamond',

'beach','buildings','chaparral','denseresidential',

'forest','freeway','golfcourse','harbor',

'intersection','mediumresidential','mobilehomepark','overpass',

'parkinglot','river','runway','sparseresidential','storagetanks','tenniscourt'}

def _byteslist(value):

"""二进制属性"""

return tf.train.Feature(bytes_list = tf.train.BytesList(value = [value]))

def _int64list(value):

"""整数属性"""

return tf.train.Feature(int64_list = tf.train.Int64List(value = [value]))

#def create_train_record(cwd,classes):

"""创建训练集tfrecord"""册灶碰

writer = tf.python_io.TFRecordWriter(train_record_path) # 创建一个writer

NUM = 1 # 显示创建过程（计数）

for index, name in enumerate(classes):

class_path = cwd + "/" + name + '/'

l = int(len(os.listdir(class_path)) * 0.7) # 取前70%创建训练集

for img_name in os.listdir(class_path)[:l]:

img_path = class_path + img_name

img = Image.open(img_path)

img = img.resize((256, 256))# resize图片大小

img_raw = img.tobytes() # 将图片转化为原生bytes

example = tf.train.Example( # 封装到Example中

features=tf.train.Features(feature={

"label":_int64list(index), # label必须为整数类型属性

'img_raw':_byteslist(img_raw) # 图辩旅片必须为二进制属性

}))

writer.write(example.SerializeToString())

print('Creating train record in ',NUM)

NUM += 1

writer.close() # 关闭writer

print("Create train_record successful!")

#def create_test_record(cwd,classes):

"""创建测试tfrecord"""

writer = tf.python_io.TFRecordWriter(test_record_path)

NUM = 1

for index, name in enumerate(classes):

class_path = cwd + '/' + name + '/'

l = int(len(os.listdir(class_path)) * 0.7)

for img_name in os.listdir(class_path)[l:]: # 剩余30%作为测试集

img_path = class_path + img_name

img = Image.open(img_path)

img = img.resize((256, 256))

img_raw = img.tobytes() # 将图片转化为原生bytes

# print(index,img_raw)

example = tf.train.Example(

features=tf.train.Features(feature={

"label":_int64list(index),

'img_raw':_byteslist(img_raw)

}))

writer.write(example.SerializeToString())

print('Creating test record in ',NUM)

NUM += 1

writer.close()

基本胡肢禅使用

使用 TensorFlow, 你必须明白 TensorFlow:

使用图 （graph） 来表示计算任务。

在被称之为 会话 （Session） 的上下文 （context） 中执行图。

使用 tensor 表示数据。

通过 变量 （Variable） 维护状态。

使用 feed 和 fetch 可以为任意的 *** 作（arbitrary operation） 赋值或者裤尘从其中获取数据。

综述

TensorFlow 是一个编程系统， 使用图来表示计算任务。 图中的节点被称之为 op

（operation 的缩写）。 一个 op 获得 0 个或多个 Tensor, 执行计算，

产生 0 个或多个 Tensor. 每个 Tensor 是一个类型化的多维数组。

例如， 你可以将一小组图像集表示为一个四维浮点数数组，

这四个维度分别是 [batch, height, width, channels].

一个 TensorFlow 图描述了计算的过程。 为了进行计算， 图必须在 会话 里被启动。

会话 将图的 op 分发到诸如 CPU 或 GPU 之类的 设备 上， 同时提供执行 op 的方法。

这些方法执行后， 将产生的 tensor 返回。 在 Python 语言中， 返回的 tensor 是

numpy ndarray 对象； 在 C 和 C++ 语言中， 返回的 tensor 是

tensorflow::Tensor 实例。

计算图

TensorFlow 程序通常被组织成一个构建阶段和一个执行阶段。 在构建阶段， op 的执行步骤

被描述成一个图。 在执行阶段， 使用会话执行执行图中的 op.

例如， 通常在构建阶段创建一个图来表示和训练神经网络， 然后在执行阶段反复执行图中的训练 op.

TensorFlow 支持 C, C++, Python 编程语言。 目前， TensorFlow 的 Python 库更加易用，

它提供了大量的辅助函数来简化构建图的工作， 这些函数尚未被 C 和 C++ 库支持。

三种语言的会话库 （session libraries） 是一致的。

构建图

构建图的第一步， 是创建源 op （source op）。 源 op 不需要任何输入， 例如 常量 （Constant）。 源 op 的输出被传递给其它 op 做运饥睁算。

Python 库中， op 构造器的返回值代表被构造出的 op 的输出， 这些返回值可以传递给其它

op 构造器作为输入。

TensorFlow Python 库有一个默认图 （default graph）， op 构造器可以为其增加节点。 这个默认图对

许多程序来说已经足够用了。 阅读 Graph 类 文档

陶涛

学号：19131213373

【嵌牛导读】tensor flow是用来实现mnist手写数字识别的一个库，但是运行时也会存在各种问题，在这里，为大家分享一下自己在学习过程中遇到孝散族的问题以及解决办法。

【巧弊嵌牛鼻子】python，tensor flow, warning

【嵌牛正文】

tensor flow是用来实现mnist手写数字识别的一个库，但是运行时也会存在各种问题，在这里，为大掘庆家分享一下自己在学习过程中遇到的问题以及解决办法。

跑tensorflow时报下面的warning：

2019-11-22 11:00:31.504004: W tensorflow/core/platform/cpu_feature_guard.cc:45]The TensorFlow library wasn't compiled to use SSE4.2 instructions,but these are available on your machine and could speed up CPU computations.

2019-11-22 11:00:31.504312: W tensorflow/core/platform/cpu_feature_guard.cc:45]The TensorFlow library wasn't compiled to use AVX instructions,but these are available on your machine and could speed up CPU computations.

2019-11-22 11:00:31.504325: W tensorflow/core/platform/cpu_feature_guard.cc:45]The TensorFlow library wasn't compiled to use AVX2 instructions,but these are available on your machine and could speed up CPU computations.

2019-11-22 11:00:31.504335: W tensorflow/core/platform/cpu_feature_guard.cc:45]The TensorFlow library wasn't compiled to use FMA instructions,but these are available on your machine and could speed up CPU computations.

解决办法：

---