TensorFlow官网给的cifar-10教程，是卷积神经网络入门的好例子，有时想直接拿这个模型来跑自己的数据，却发现他的数据类型不是常见的，我们一般获取的数据（图片）以文件夹分类存好，或者直接在文件名上注明了类别，这时就要通过文件名的来获取标签，显然直接用cifar-10的方式是不行的。
这里当然可以吧数据转化成cifar-10那种类型，不过个人不喜欢这种方式吧。
另一种就还是老办法，对文件名进行处理，获取标签。
其实处理文件名，对python来说，很简单。只是刚接触卷积神经网络的，可能并不熟悉TensorFlow的用法（本人），怎么修改代码才能以这种方式读取数据进队列呢？
看代码：
import tensorflow as tf import os #这就是数据所在的路径，其子目录是若干个文件夹，分别对应一类数据， #文件夹下存放的就是对应那一类的数据。 #命名方式：1，2，3，4····（代表不同的类别，简单粗暴） path="./data" classes=2#数据类别的数量 imagesList=[]#存放图片数据的列表（这里存放的仅仅是图片所在的路径，并不是图片） labelsList=[]#存放标签，与上面图片是一一对应的 filepaths=[os.path.join(path,"%d"%i)for i in range (1,classes+1)]#存放path的子目录的路径 for p in filepaths: for filename in os.listdir(p):#获取图片的名字 imagesList.append(os.path.join(p,filename))#图片名和路径拼接，然后如队列 labelsList.append(int(p[-1]))#这里是按照命名的方式，p的最后一个字符就是类别 image = tf.cast(imagesList,tf.string)#转化成tf的数据类型 label = tf.cast(labelsList,tf.int64) queue = tf.train.slice_input_producer([image,label])#生成队列，这里也就关键的地方 label = queue[1] image_c = tf.read_file(queue[0]) image = tf.image.decode_jpeg(image_c,channels = 3) training_image_data = tf.image.resize_images(image, [2, 2]) #这个函数是重塑行，具体干嘛不清楚，不用有时报错 example_batch, label_batch = tf.train.shuffle_batch([training_image_data,label], batch_size=1, capacity=2, min_after_dequeue=1) #生成Batch # 运行Graph with tf.Session() as sess: coord = tf.train.Coordinator() #创建一个协调器，管理线程 threads = tf.train.start_queue_runners(coord=coord) #启动QueueRunner, 此时文件名队列已经进队。 for i in range(6): e_val,l_val = sess.run([example_batch, label_batch]) print (e_val,l_val)#弄些简单的数据来测试效果。 coord.request_stop() coord.join(threads)
以上这篇TensorFlow通过文件名/文件夹名获取标签,并加入队列的实现就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持鸟哥教程(niaoge.com)。
声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：notice#niaoge.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。