tensorflow之深度学习-----第四天

图像基本知识分析

如何识别一张图片，要将特征值拿出来，才能进行学习。每张图片由好多像素组成，所以可将特征值就看成像素值。




图像大小不同，意味着像素点数不同，即特征不同。之前机器学习必须保证特征值数量一样。如狗8万个特征，人6万个特征，这样去训练不合适。所以应该将所有图片统一大小，让特征数量一样。



图像变大变小，肯定像素点不同了。本来像素点多，现在变少了。即图片在变小变大过程中，缺失的部分或者增加部分是由计算机自动计算的。因此进行图像特征数量统一时候，不是去切割，而是进行放大或者缩小操作。




3个通道即3个表。

图片文件读取

形状不确定，所以必须经过解码。









所以批处理就乱了，必须固定宽高以及通道数目。

二进制文件读取分析

图片也算是一种二进制文件格式。但是这个图片读取并不是读取图片内容，而是按照像素值进行读取出来。这个二进制是纯的二进制文件，写了bytes进去。






将这个3072个像素 并没有按照一个个图片存储，而是存储在二进制文件中。原因在训练时候，对应特征与目标值要对应，若是存储一张张图片，6万张，还不能乱，麻烦。所以用二进制文件可以 将目标与特征数据存储在一起 。

二进制文件读取

目的将二进制文件内容读取出来，即也是一个张量。



先读取二进制文件，并解码转换为张量。

tfrecords文件的读取与存储

当数据与标签不在一个文件中时，必须 首先将每个文件读取出来，然后对应的标签也读取出来，还不能乱序，说明整个处理就麻烦了。如何方便读取一个样本，他的目标值与特征值我们可以很方便的获取呢，即这个tfrecords格式文件就诞生了。

此时每个样本都是遵循一种example协议。

tfrecords设计的时候也是一个样本一个样本的存储与读取。这种文件格式读取时候很方便处理。

存储时候也要按照example格式去存，即类字典格式去存储。即将特征值与标签值以键值对形式存进去一个文件中去了。





以一个样本构造的example写进去，所以将每个样本的特征与目标值放进去，然后写进去。每次只写一个example，所以循环构造每个样本的example，然后循环的写进去每个样本的example。

即先建立一个文件存储器，每一个样本构造的example写进去，然后一个一个写。





之后这个实例又是feature字典。











因为你存进去是序列化的example东西，所以读出来时要解析一下，再解码出我们的内容即可。即bytes要解码，int类型就不需要了。

存进去什么类型，就读取就是什么类型。





将字符串类型解码成uint8类型。