初探TensorFLow从文件读取图片的种种办法,初探tensorflow

正文记录一下TensorFLow的二种图片读取方法,官方文书档案有较为完善的牵线。

1.使用gfile读图片,decode输出是Tensor,eval后是ndarray

import matplotlib.pyplot as plt
import tensorflow as tf
import numpy as np

print(tf.__version__)

image_raw = tf.gfile.FastGFile('test/a.jpg','rb').read()  #bytes
img = tf.image.decode_jpeg(image_raw) #Tensor
#img2 = tf.image.convert_image_dtype(img, dtype = tf.uint8)

with tf.Session() as sess:
  print(type(image_raw)) # bytes
  print(type(img)) # Tensor
  #print(type(img2))

  print(type(img.eval())) # ndarray !!!
  print(img.eval().shape)
  print(img.eval().dtype)

#  print(type(img2.eval()))
#  print(img2.eval().shape)
#  print(img2.eval().dtype)
  plt.figure(1)
  plt.imshow(img.eval())
  plt.show()

输出为:

1.3.0
<class ‘bytes’>
<class ‘tensorflow.python.framework.ops.Tensor’>
<class ‘numpy.ndarray’>
(666, 1000, 3)
uint8
图表展现(略)

2.使用WholeFileReader输入queue,decode输出是Tensor,eval后是ndarray

import tensorflow as tf
import os
import matplotlib.pyplot as plt
def file_name(file_dir):  #来自http://www.bkjia.com/article/134543.htm
  for root, dirs, files in os.walk(file_dir): #模块os中的walk()函数遍历文件夹下所有的文件
    print(root) #当前目录路径 
    print(dirs) #当前路径下所有子目录 
    print(files) #当前路径下所有非目录子文件 

def file_name2(file_dir):  #特定类型的文件
  L=[]  
  for root, dirs, files in os.walk(file_dir): 
    for file in files: 
      if os.path.splitext(file)[1] == '.jpg':  
        L.append(os.path.join(root, file)) 
  return L 

path = file_name2('test')


#以下参考http://www.bkjia.com/article/134547.htm (十图详解TensorFlow数据读取机制)
#path2 = tf.train.match_filenames_once(path)
file_queue = tf.train.string_input_producer(path, shuffle=True, num_epochs=2) #创建输入队列 
image_reader = tf.WholeFileReader() 
key, image = image_reader.read(file_queue) 
image = tf.image.decode_jpeg(image) 

with tf.Session() as sess: 
#  coord = tf.train.Coordinator() #协同启动的线程 
#  threads = tf.train.start_queue_runners(sess=sess, coord=coord) #启动线程运行队列 
#  coord.request_stop() #停止所有的线程 
#  coord.join(threads) 

  tf.local_variables_initializer().run()
  threads = tf.train.start_queue_runners(sess=sess)

  #print (type(image)) 
  #print (type(image.eval())) 
  #print(image.eval().shape)
  for _ in path+path:
    plt.figure
    plt.imshow(image.eval())
    plt.show()

3.使用read_file,decode输出是Tensor,eval后是ndarray

import matplotlib.pyplot as plt
import tensorflow as tf
import numpy as np

print(tf.__version__)

image_value = tf.read_file('test/a.jpg')
img = tf.image.decode_jpeg(image_value, channels=3)

with tf.Session() as sess:
  print(type(image_value)) # bytes
  print(type(img)) # Tensor
  #print(type(img2))

  print(type(img.eval())) # ndarray !!!
  print(img.eval().shape)
  print(img.eval().dtype)

#  print(type(img2.eval()))
#  print(img2.eval().shape)
#  print(img2.eval().dtype)
  plt.figure(1)
  plt.imshow(img.eval())
  plt.show()

输出是:

1.3.0
<class ‘tensorflow.python.framework.ops.Tensor’>
<class ‘tensorflow.python.framework.ops.Tensor’>
<class ‘numpy.ndarray’>
(666, 1000, 3)
uint8
来得图片(略)

4.TFRecords:

闲暇再看。

只要图片是依照分类放在不相同的文件夹下,那么能够一向动用如下代码:

上述正是本文的全体内容,希望对大家的读书抱有支持,也可望我们多多辅助帮客之家。

本文记录一下TensorFLow的二种图片读取方法,官方文书档案有相比圆满的牵线。
1.选用gf…

本文记录一下TensorFLow的两种图片读取方法,官方文书档案有较为圆满的介绍。

     
 小编仅为深度学习与tensorflow小白,该体系文章仅为记录本身的就学进度并扶持协和或如作者一般的初学者入门与回忆相关的知识点。如有疏漏,请大家提点,待小编学习纠正。

1.使用gfile读图片,decode输出是Tensor,eval后是ndarray

       
神经互联网的组成首要分为读取磨练样本,前向传播模型、后向传来与教练。本文目的在于记录怎样行使tensorflow读取本人的图像,同期记录出现的标题与减轻办法。

import matplotlib.pyplot as plt
import tensorflow as tf
import numpy as np

print(tf.__version__)

image_raw = tf.gfile.FastGFile('test/a.jpg','rb').read()  #bytes
img = tf.image.decode_jpeg(image_raw) #Tensor
#img2 = tf.image.convert_image_dtype(img, dtype = tf.uint8)

with tf.Session() as sess:
  print(type(image_raw)) # bytes
  print(type(img)) # Tensor
  #print(type(img2))

  print(type(img.eval())) # ndarray !!!
  print(img.eval().shape)
  print(img.eval().dtype)

#  print(type(img2.eval()))
#  print(img2.eval().shape)
#  print(img2.eval().dtype)
  plt.figure(1)
  plt.imshow(img.eval())
  plt.show()

输出为:

<pre>

1.3.0
<class ‘bytes’>
<class ‘tensorflow.python.framework.ops.Tensor’>
<class ‘numpy.ndarray’>
(666, 1000, 3)
uint8
图片展现(略)

import matplotlib.pyplot as plt

2.使用WholeFileReader输入queue,decode输出是Tensor,eval后是ndarray

import tensorflow as tf

import tensorflow as tf
import os
import matplotlib.pyplot as plt
def file_name(file_dir):  #来自//www.jb51.net/article/134543.htm
  for root, dirs, files in os.walk(file_dir): #模块os中的walk()函数遍历文件夹下所有的文件
    print(root) #当前目录路径 
    print(dirs) #当前路径下所有子目录 
    print(files) #当前路径下所有非目录子文件 

def file_name2(file_dir):  #特定类型的文件
  L=[]  
  for root, dirs, files in os.walk(file_dir): 
    for file in files: 
      if os.path.splitext(file)[1] == '.jpg':  
        L.append(os.path.join(root, file)) 
  return L 

path = file_name2('test')


#以下参考//www.jb51.net/article/134547.htm (十图详解TensorFlow数据读取机制)
#path2 = tf.train.match_filenames_once(path)
file_queue = tf.train.string_input_producer(path, shuffle=True, num_epochs=2) #创建输入队列 
image_reader = tf.WholeFileReader() 
key, image = image_reader.read(file_queue) 
image = tf.image.decode_jpeg(image) 

with tf.Session() as sess: 
#  coord = tf.train.Coordinator() #协同启动的线程 
#  threads = tf.train.start_queue_runners(sess=sess, coord=coord) #启动线程运行队列 
#  coord.request_stop() #停止所有的线程 
#  coord.join(threads) 

  tf.local_variables_initializer().run()
  threads = tf.train.start_queue_runners(sess=sess)

  #print (type(image)) 
  #print (type(image.eval())) 
  #print(image.eval().shape)
  for _ in path+path:
    plt.figure
    plt.imshow(image.eval())
    plt.show()

image_contents=tf.read_file(“a.jpg”)

3.使用read_file,decode输出是Tensor,eval后是ndarray

image = tf.image.decode_jpeg(image_contents, channels=3)

import matplotlib.pyplot as plt
import tensorflow as tf
import numpy as np

print(tf.__version__)

image_value = tf.read_file('test/a.jpg')
img = tf.image.decode_jpeg(image_value, channels=3)

with tf.Session() as sess:
  print(type(image_value)) # bytes
  print(type(img)) # Tensor
  #print(type(img2))

  print(type(img.eval())) # ndarray !!!
  print(img.eval().shape)
  print(img.eval().dtype)

#  print(type(img2.eval()))
#  print(img2.eval().shape)
#  print(img2.eval().dtype)
  plt.figure(1)
  plt.imshow(img.eval())
  plt.show()

with tf.Session() as sess:   

输出是:

*    print(type(img_contents)) # bytes*

1.3.0
<class ‘tensorflow.python.framework.ops.Tensor’>
<class ‘tensorflow.python.framework.ops.Tensor’>
<class ‘numpy.ndarray’>
(666, 1000, 3)
uint8
显示图片(略)

*    print(type(image)) # Tensor*

4.TFRecords:

*    print(type(image.eval())) # ndarray*

悠闲再看。

*    print(image.eval().shape)#(240,320,3)*

若是图片是基于分类放在不一致的公文夹下,那么能够直接使用如下代码:
//www.jb51.net/article/134532.htm
//www.jb51.net/article/134539.htm

*    print(image.eval().dtype)#uint8*

以上正是本文的全体内容,希望对我们的求学抱有协助,也愿意大家多多帮衬脚本之家。

*    plt.figure(1)*

你也许感兴趣的稿子:

  • tensorflow达成对图纸的读取的演示代码

*    plt.imshow(image.eval())*

*    plt.show()*

<pre>


Author

发表评论

电子邮件地址不会被公开。 必填项已用*标注