留意：本文运用tensorflow1.x版本进行演示

运用本地Jupyter Notebook搭载TensorFlow相关库进行操作

1. 读取TFRecords文件

其实读取TFRecords文件大体思路与常规文件读取思路（结构行列、读取、解码、批处理行列）比较一致。但是，仍是有一点不相同，在解码操作之前，需求解析Example操作（由于TFRecords比其他文件多了个Example结构），TFRecords文件读取步骤如下所示：

• 结构文件名行列
• 读取
• 解析Example
  • tf.parse_single_example()
    • tf.FixedLenFeature(shape, dtype)
• 解码
• 结构批处理行列

接下来，咱们将对TFRecords文件读取中用到的函数进行详细说明：

• tf.parse_single_example(serialized, features=None, name=None)

  • 用来解析一个单一的Example原型
  • serialized：标量字符串Tensor，一个序列化的Example
  • features：dict字典数据，键为读取的姓名，值为FixedLenFeature
  • return：回来一个键值对组成的字典，键为读取的姓名。想拿到解析后的example数据，需求经过字典形式访问。

• tf.FixedLenFeature(shape, dtype)

  • 这个函数和上一个函数其实是嵌套运用的，上一个函数中的features参数中的一部分（字典中值的部分）需求用本函数填充
  • shape：输入数据的形状，一般不指定即为空列表
  • dtype：输入数据类型，与存储进文件的类型要相同
  • 类型只能是float32，int64，string

2. 代码演示

导入所需模块，由于本地下载的是Tensorflow2.x版本，想运转Tensorflow1的语法，需求敞开兼容模型，以支撑Tensorflow1语法正常运转。

import tensorflow as tf
import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()
import os

从读取TFRecords文件的视点，进行函数定义，对已保存到本地的TFRecords文件进行读取。详细代码如下所示：

• 首先在函数中需求结构文件名行列，经过变量file_queue接纳

• 然后，运用tf.TFRecordReader()读取器，运用该读取器下面的read办法进行文件读取，运用变量key与value承受元组

• 接下来以上述介绍的API进行Example解析，能够将中间结果image与label打印出来看看

• 别忘记敞开会话tf.Session()才干看到详细的值

  • 会话中tf.train.Coordinator()敞开线程
  • sess.run()运转一下用以检查详细的值
  • 收回资源，收回线程

• 然后是解码操作，咱们能够将其解码成uint8

• 打印出的是一维数组，咱们需求进行图画调整将其调整成32323

• 终究，将其放入批处理行列。

class Cifar():
    def __init__(self):
        # 设置图画巨细
        self.height = 32
        self.width = 32
        self.channel = 3
        # 设置图画字节数
        self.image = self.height * self.width * self.channel
        self.label = 1
        self.sample = self.image + self.label
    def read_tfrecords(self):
        """
        读取tfrecords文件
        """
        # 1. 结构文件名行列
        file_queue = tf.train.string_input_producer(["cifar10.tfrecords"])
        # 2. 读取与解码
        # 2.1 读取
        reader = tf.TFRecordReader()
        key, value = reader.read(file_queue)
        # 2.2 解析example
        feature = tf.parse_single_example(value, features={
            "image": tf.FixedLenFeature([], tf.string),
            "label": tf.FixedLenFeature([], tf.int64)
        })
        image = feature["image"]
        label = feature["label"]
        print("read_tf_image:\n", image)
        print("read_tf_label:\n", label)
        # 2.3 解码
        image_decoded = tf.decode_raw(image, tf.uint8)
        print("image_decoded:\n", image_decoded)
        # 图画形状调整
        image_reshaped = tf.reshape(image_decoded, [self.height, self.width, self.channel])
        # 3. 结构批处理行列
        image_batch, label_batch = tf.train.batch([image_reshaped, label], batch_size=100, num_threads=5, capacity=100)
        print("image_batch:\n", image_batch)
        print("label_batch:\n", label_batch)
        # 敞开会话
        with tf.Session() as sess:
            # 敞开线程
            coord = tf.train.Coordinator()
            threads = tf.train.start_queue_runners(sess=sess, coord=coord)
            image_value, label_value, image_decoded, image_batch, label_batch = sess.run([image, label, image_decoded, image_batch, label_batch])
            print("image_value:\n", image_value)
            print("label_value:\n", label_value)
            # 收回资源
            coord.request_stop()
            coord.join(threads)
        return None
cifar = Cifar()
cifar.read_tfrecords()

部分读取结果如下图所示：