concept

bottleneck:

• 数据量足够的情况下，迁移学习的效果不如完全重新训练。要吸取stackGAN的教训啊，血亏

• TFRcord 作用就是 统一不同的原始数据格式，并更加有效的管理了不同的属性

• 那么这统一的格式嘞，三种 1.bytes 2.float 3.int64

implement

• tensorflow 读取图像

image_raw_data = gfile.FastGFile(file_name,'rb').read()

• tensorflow 解码图像 img --> number

image = tf.image.decode_jpeg(image_raw_data)

• tensorflow 读取 字串图像 img_str --> number(通常读取TFRecord用)

image = tf.decode_raw(features['image_raw'],tf.uint8)

• numpy 打乱数据

state = np.ramdom.get_state()
np.random.shuffle(training_images)
np.random.set_state(state)
np.random.shuffle(training_images)

• numpy asarray 和 array 的区别

  input 为list 的时候，没区别，

  
  import numpy as np
   
  #example 1:
  data1=[[1,1,1],[1,1,1],[1,1,1]]
  arr2=np.array(data1)
  arr3=np.asarray(data1)
  data1[1][1]=2
  print 'data1:\n',data1
  print 'arr2:\n',arr2
  print 'arr3:\n',arr3
  --------------------- 
  data1:
  [[1, 1, 1], [1, 2, 1], [1, 1, 1]]
  arr2:
  [[1 1 1]
   [1 1 1]
   [1 1 1]]
  arr3:
  [[1 1 1]
   [1 1 1]
   [1 1 1]]
  

  input 为 np.array 的时候，会copy出一个副本，占用新的内存，但asarray不会。

  import numpy as np
   
  #example 2:
  arr1=np.ones((3,3))
  arr2=np.array(arr1)
  arr3=np.asarray(arr1)
  arr1[1]=2
  print 'arr1:\n',arr1
  print 'arr2:\n',arr2
  print 'arr3:\n',arr3
  --------------------- 
  
  arr1:
  [[ 1.  1.  1.]
   [ 2.  2.  2.]
   [ 1.  1.  1.]]
  arr2:
  [[ 1.  1.  1.]
   [ 1.  1.  1.]
   [ 1.  1.  1.]]
  arr3:
  [[ 1.  1.  1.]
   [ 2.  2.  2.]
   [ 1.  1.  1.]]
  --------------------- 
  作者：Gobsd 
  来源：**** 
  原文：https://blog.****.net/Gobsd/article/details/56485177 
  版权声明：本文为博主原创文章，转载请附上博文链接！