一、數據集介紹

點擊打開鏈接17_Category_Flower 是一個不同種類鮮花的圖像數據，包含 17 不同種類的鮮花，每類 80 張該類鮮花的圖片，鮮花種類是英國地區常見鮮花。下載數據后解壓文件，然后將不同的花剪切到對應的文件夾，如下圖所示：

每個文件夾下面有80個圖片文件。

二、使用的工具

首先是在tensorflow框架下,然后介紹一下用到的兩個庫，一個是os，一個是PIL。PIL（Python Imaging Library）是 Python 中最常用的圖像處理庫，而Image類又是 PIL庫中一個非常重要的類，通過這個類來創建實例可以有直接載入圖像文件，讀取處理過的圖像和通過抓取的方法得到的圖像這三種方法。

三、代碼實現

我們是通過TFRecords來創建數據集的，TFRecords其實是一種二進制文件，雖然它不如其他格式好理解，但是它能更好的利用內存，更方便復制和移動，并且不需要單獨的標簽文件(label)。

1、制作TFRecords文件

import osimport tensorflow as tffrom PIL import Image # 注意Image,后面會用到import matplotlib.pyplot as pltimport numpy as np cwd = 'D:/PyCharm Community Edition 2017.2.3/Work/google_net/jpg//'classes = {'daffodil', 'snowdrop', 'lilyvalley', 'bluebell', 'crocus', 'iris', 'tigerlily', 'tulip', 'fritiuary',  'sunflower', 'daisy', 'coltsfoot', 'dandelion', 'cowslip', 'buttercup', 'windflower', 'pansy'} # 花為 設定 17 類writer = tf.python_io.TFRecordWriter("flower_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((224, 224)) 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()

首先將文件移動到對應的路徑：

D:/PyCharm Community Edition 2017.2.3/Work/google_net/jpg

然后對每個文件下的圖片進行讀寫和相應的大小驚醒改變，具體過程是使用tf.train.Example來定義我們要填入的數據格式，其中label即為標簽，也就是最外層的文件夾名字，img_raw為易經理二進制化的圖片。然后使用tf.python_io.TFRecordWriter來寫入。基本的，一個Example中包含Features，Features里包含Feature（這里沒s）的字典。最后，Feature里包含有一個 FloatList， 或者ByteList，或者Int64List。就這樣，我們把相關的信息都存到了一個文件中，所以前面才說不用單獨的label文件。而且讀取也很方便。