<>

?擴(kuò)展之tensorflow2.0 | 15 TF2實(shí)現(xiàn)一個(gè)簡(jiǎn)單的服裝分類任務(wù)

小白學(xué)PyTorch | 14 tensorboardX可視化教程

小白學(xué)PyTorch | 13 EfficientNet詳解及PyTorch實(shí)現(xiàn)

小白學(xué)PyTorch | 12 SENet詳解及PyTorch實(shí)現(xiàn)

小白學(xué)PyTorch | 11 MobileNet詳解及PyTorch實(shí)現(xiàn)

小白學(xué)PyTorch | 10 pytorch常見運(yùn)算詳解

小白學(xué)PyTorch | 9 tensor數(shù)據(jù)結(jié)構(gòu)與存儲(chǔ)結(jié)構(gòu)

小白學(xué)PyTorch | 8 實(shí)戰(zhàn)之MNIST小試牛刀

小白學(xué)PyTorch | 7 最新版本torchvision.transforms常用API翻譯與講解

小白學(xué)PyTorch | 6 模型的構(gòu)建訪問遍歷存儲(chǔ)(附代碼)

小白學(xué)PyTorch | 5 torchvision預(yù)訓(xùn)練模型與數(shù)據(jù)集全覽

小白學(xué)PyTorch | 4 構(gòu)建模型三要素與權(quán)重初始化

小白學(xué)PyTorch | 3 淺談Dataset和Dataloader

小白學(xué)PyTorch | 2 淺談?dòng)?xùn)練集驗(yàn)證集和測(cè)試集

小白學(xué)PyTorch | 1 搭建一個(gè)超簡(jiǎn)單的網(wǎng)絡(luò)

小白學(xué)PyTorch | 動(dòng)態(tài)圖與靜態(tài)圖的淺顯理解

參考目錄：

• 1 PIL讀取圖片

• 2 TF讀取圖片

• 3 TF構(gòu)建數(shù)據(jù)集

本文的代碼已經(jīng)上傳，在作者公眾號(hào)后臺(tái)回復(fù)【PyTorch】獲取。

1 PIL讀取圖片

想要把一個(gè)圖片，轉(zhuǎn)換成RGB3通道的一個(gè)張量，我們?cè)趺醋瞿?#xff1f;大家第一反應(yīng)應(yīng)該是PIL這個(gè)庫吧

from?PIL?import?Image
import?numpy?as?np
image?=?Image.open('./bug1.jpg')
image.show()

展示的圖片：

然后我們這個(gè)image現(xiàn)在是PIL格式的，我們使用numpy.array()來將其轉(zhuǎn)換成numpy的張量的形式：

image?=?np.array(image)
print(image.shape)
>>>(326,?312,?3)

可以看到，這個(gè)第三維度是3。對(duì)于pytorch而言，數(shù)據(jù)的第一維度應(yīng)該是樣本數(shù)量，第二維度是通道數(shù)，第三四是圖像的寬高，因此PIL讀入的圖片，往往需要把通道數(shù)的這個(gè)維度移動(dòng)到第二維度上才能對(duì)接上pytorch的形式。(transpose方法來實(shí)現(xiàn)這個(gè)功能，這里不細(xì)說)

2 TF讀取圖片

下面是重點(diǎn)啦，對(duì)于tensorflow，tf中自己帶了一個(gè)解碼函數(shù)，先看一下我的文件目錄：

import?tensorflow?as?tf
images?=?tf.io.gfile.glob('./*.jpeg')
print(images，type(images))
>?['.\\bug1.jpeg',?'.\\bug2.jpeg']?<class?'list'>

可以看出來：

• 這個(gè)tensorflow.io.gfile.glob()是讀取路徑下的所有符合條件的文件，并且把路徑做成一個(gè)list返回；
• 這個(gè)功能也可以用glob庫函數(shù)實(shí)現(xiàn)，我記得是glob.glob()方法；
• 這里的bug1和bug2其實(shí)是同一張圖片，都是上面的那個(gè)小兔子。

image?=?tf.io.read_file('./bug1.jpeg')
image?=?tf.image.decode_jpeg(image,channels=3)
print(image.shape,type(image))
>?(326,?312,?3)?<class?'tensorflow.python.framework.ops.EagerTensor'>

需要注意的是：

• tf.io.read_file()這個(gè)得到的返回值是二進(jìn)制格式，所以需要下面的tf.image.decode_jpeg進(jìn)行一個(gè)解碼；
• decode_jpeg的第一個(gè)參數(shù)就是讀取的二進(jìn)制文件，然后channels是輸出的圖片的通道數(shù)，3就是RPB三個(gè)通道，如果是1的話，就是灰度圖片，ratio是圖片大小的一個(gè)縮小比例，默認(rèn)是1，可以是2和4，一會(huì)看一下ratio=2的情況；
• 這個(gè)image的type是一個(gè)tensorflow特別的Tensor的形式，而不是pytorch的那種tensor的形式了。

image?=?tf.io.read_file('./bug1.jpeg')
image?=?tf.image.decode_jpeg(image,channels=1，ratio=2)
print(image.shape,type(image))
>?(163,?156,?1)?<class?'tensorflow.python.framework.ops.EagerTensor'>

寬高都變成了原來的一半，然后通道數(shù)是1，都和預(yù)想的一樣。使用decode_jpeg等解碼函數(shù)得到的結(jié)果，是uint8的類型的，簡(jiǎn)單地說就是整數(shù)，0到255范圍的。在對(duì)圖片進(jìn)行操作的時(shí)候，我們需要將其標(biāo)準(zhǔn)化到0到1區(qū)間的，因此需要將其轉(zhuǎn)換成float32類型的。所以對(duì)上述代碼進(jìn)行補(bǔ)充：

image?=?tf.io.read_file('./bug1.jpeg')
image?=?tf.image.decode_jpeg(image,channels=1,ratio=2)
print(image.shape,type(image))
image?=?tf.image.resize(image,[256,256])?#?統(tǒng)一圖片大小
image?=?tf.cast(image,tf.float32)?#?轉(zhuǎn)換類型
image?=?image/255?#?歸一化
print(image)

從結(jié)果來看，數(shù)據(jù)類型已經(jīng)改變：

3 TF構(gòu)建數(shù)據(jù)集

下面是dataset更正式的寫法，關(guān)于TF2的問題，不要百度！百度到的都是TF1的解答，看的我暈死了，TF的API的結(jié)構(gòu)真是不太友好。。。

def?read_image(path):
????image?=?tf.io.read_file(path)
????image?=?tf.image.decode_jpeg(image,?channels=3,?ratio=1)
????image?=?tf.image.resize(image,?[256,?256])??#?統(tǒng)一圖片大小
????image?=?tf.cast(image,?tf.float32)??#?轉(zhuǎn)換類型
????image?=?image?/?255??#?歸一化
????return?image
images?=?tf.io.gfile.glob('./*.jpeg')
dataset?=?tf.data.Dataset.from_tensor_slices(images)
AUTOTUNE?=?tf.data.experimental.AUTOTUNE
dataset?=?dataset.map(read_image,num_parallel_calls=AUTOTUNE)
dataset?=?dataset.shuffle(1).batch(1)
for?a?in?dataset.take(2):
????print(a.shape)

代碼中需要注意的是：

• glob獲取一個(gè)文件的list，本次就兩個(gè)文件名字，一個(gè)bug1.jpeg,一個(gè)bug2.jpeg;
• tf.data.Dataset.from_tensor_slices()返回的就是一個(gè)tensorflow的dataset類型，可以簡(jiǎn)單理解為一個(gè)可迭代的list,并且有很多其他方法；
• dataset.map就是用實(shí)現(xiàn)定義好的函數(shù)，對(duì)處理dataset中每一個(gè)元素，在上面代碼中是把路徑的字符串變成該路徑讀取的圖片張量，對(duì)圖片的預(yù)處理應(yīng)該也在這部分進(jìn)行吧；
• dataset.shuffle就是亂序，.batch()就是把dataset中的元素組裝batch；
• 在獲取dataset中的元素的時(shí)候，TF1中有什么迭代器的定義啊，什么iter，但是TF2不用這些，直接.take(num)就行了，這個(gè)num就是從dataset中取出來的batch的數(shù)量，也就是循環(huán)的次數(shù)吧。
• AUTOTUNE = tf.data.experimental.AUTOTUNE 就是根據(jù)你的cpu的情況，自動(dòng)判斷多線程的數(shù)量。上面代碼的輸出結(jié)果為：

- END -

往期精彩回顧

適合初學(xué)者入門人工智能的路線及資料下載

機(jī)器學(xué)習(xí)及深度學(xué)習(xí)筆記等資料打印

機(jī)器學(xué)習(xí)在線手冊(cè)

深度學(xué)習(xí)筆記專輯

《統(tǒng)計(jì)學(xué)習(xí)方法》的代碼復(fù)現(xiàn)專輯

AI基礎(chǔ)下載

機(jī)器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)專輯

獲取一折本站知識(shí)星球優(yōu)惠券，復(fù)制鏈接直接打開：

https://t.zsxq.com/662nyZF

本站qq群704220115。

加入微信群請(qǐng)掃碼進(jìn)群(如果是博士或者準(zhǔn)備讀博士請(qǐng)說明)：

總結(jié)

以上是生活随笔為你收集整理的pytorch dataset_【小白学PyTorch】16.TF2读取图片的方法的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。