TFRecord数据处理
一、TFRecord数据格式
对于深度学习的物体检测等任务，比较常用的数据集是PASCAL VOC数据集。对于PASCAL VOC数据集，主要有两个文件夹，分别为：Annotations和JPEGImages。其中，Annotations文件夹存储了图片物体的label，格式为XML格式，而JPEGImages文件夹下存放的是图片。这种数据集需要将图像数据和标签分开放置，比较不友好。
对于使用tensorflow框架进行训练深度神经网络时，tensorflow提供了对图像数据进行处理的工具——TFRecord。其将数据标签和图像数据存储在一起，方便管理。
TFRecord通过tf.train.Example Protocol Buffer协议进行数据存储的。tf.train.Example的定义如下：
message Example { Features features = 1; }; message Features { map<string, Feature> feature = 1; }; message Feature { oneof kind { BytesList bytes_list = 1; FloatList float_list =2; Int64List int64_list = 3; } };
tf.train.Example包含了一个从属性到取值的字典。属性的取值可以为字符串、实数列表和整数列表。
二、图像预处理
对于图像预处理，tensorflow提供了几种方法，主要包括：
1、调整图像大小
tf.image.resize_images
例如：resized = tf.image.resize_images(img_data, [300, 300], method=0)
tf.image.resize_images函数的method参数对应不同的图像调整算法，如下图所示；
| method取值 | 图像大小调整算法 |
| 0 | 双线性插值法 |
| 1 | 最近邻居法 |
| 2 | 双三次插值法 |
| 3 | 面积插值法 |
不同算法调整图像大小的结果差不多。除了将整张图像信息完整保存，tensorflow还支持对图像进行裁剪或者填充（tf.image.crop_to_bounding_box函数、tf.image.pad_to_bounding_box和tf.image.resize_image_with_crop_or_pad函数）。
2、图像色彩调整
tf.image.adjust_brightness、tf.image.adjust_contrast、tf.image.adjust_hue、tf.image.adjust_saturation
3、处理标注框
tf.image.draw_bounding_box
4、随机截取图像
tf.image.sample_distorted_bounding_box
三、多线程输入数据处理框架
对于第二节中tensorflow提供的数据预处理方法，虽然可以减小无关因素对图像识别模型的效果的影响，但是这些预处理方式比较复杂，会减慢整个训练的过程。因此，为了避免图像预处理称为神经网络模型训练效率的瓶颈，tensorflow提供了一套多线程处理输入数据的框架。其主要的流程图如下：
3.1队列和多线程
在tensorflow中，队列和变量类似，都是计算图上有状态的节点。其他的计算节点可以修改他们的状态。对于变量，可以通过赋值操作修改变量的值，而对于队列而言，修改队列的状态的操作有：Enqueue、EnqueueMany和Dequeue。
tensorflow提供了tf.Coordinator和tf.QueueRunner两个类完成多线程协同的功能。tf.Coordinator主要用于协同多个线程一起停止，并提供了should_stop、request_stop和join三个函数。在启动线程之前需要先声明一个tf.Coordinator类，并将这个类传入每一个创建的线程中。启动的线程需要一直查询tf.Coordinator类中提供的should_stop函数，当这个函数的返回值是True时，则当前的线程需要退出。当某一个线程调用request_stop函数之后，should_stop函数的返回值将被设置为True，这样所有的线程就可以同时终止了。
实例：
import tensorflow as tf import numpy as np import threading # 线程中运行的程序，这个程序每隔1秒判断是否需要停止并打印自己的ID def MyLoop(coord, worker_id): # 使用tf.Coordinator类提供的协同工具判断当前进程是否需要停止 while not coord.should_stop(): # 随机停止所有线程 if np.random.rand() < 0.1: print("Stoping from id: %d\n" % worker_id) coord.request_stop() else: print("working on id: %d\n" %worker_id) # 声明一个tf.train.Coordinator类来协同多个线程 coord = tf.train.Coordinator() # 创建5个线程 threads = [threading.Thread(target=MyLoop, args=(coord, i)) for i in range(5)] # 启动所有线程 for t in threads: t.start() # 等待所有线程退出 coord.join()
3.2输入文件队列
本节介绍使用tensorflow中的队列管理输入文件列表。
为了提高处理效率，当训练的数据量较大时，通常将数据分成多个TFRecord文件保存。tensorflow提供了获取符合正则表达式获取文件的函数：tf.train.match_filenames_once。对于得到的文件列表，可以通过tf.train.string_input_producer函数进行管理。
tf.train.string_input_producer函数会使用初始化时提供的文件列表创建一个输入队列，输入队列中原始元素为文件列中的所有文件。
实例：
1、将数据转换成TFRecord格式，写入文件
import tensorflow as tf # 创建TFRecord文件的帮助函数 def _int64_feature(value): return tf.train.Feature(int64_list=tf.train.Int64List(value=value)) # 写入数据 num_shards = 2 instances_per_shard = 2 # 写入数据，文件后缀为：000n-of-000m，m为训练数据总的被存放在了多少个文件，n为当前的文件编号 # 这种命名方式，方便了使用正则表达式获取文件列表 for i in range(num_shards): filename = ('/path/to/data.tfrecords-%.5d-of-%.5d' % (i, num_shards)) writer = tf.python_io.TFRecordWriter(filename) # 将数据封装成Example结构并写入TFRecord文件 for j in range(instances_per_shard): example = tf.train.Example(features=tf.train.Features(feature={ 'i': _int64_feature(i), 'j': _int64_feature(j)})) writer.write(example.SerializeToString()) writer.close()
2、读取TFRecord数据实例
import tensorflow as tf # 使用tf.train.match_filenames_once函数获取文件列表 files = tf.train.match_filenames_once("/path/to/data.tfrecords-*") # 通过tf.train.string_input_producer函数创建输入队列，输入队列的文件列表为tf.train.match_filenames_once函数获取文件列表 filename_queue = tf.train.string_input_producer(files, shuffle=True) # 解析一个样本 reader = tf.TFRecordReader() _, serialized_example = reader.read(filename_queue) features = tf.parse_single_example(serialized_example, features={ 'i': tf.FixedLenFeature((), tf.int64), 'j': tf.FixedLenFeature((), tf.int64) }) with tf.Session() as sess: tf.local_variables_initializer().run() print(sess.run(files)) # 声明tf.train.Coordinator类来协同不同的现场，并且启动线程 coord = tf.train.Coordinator() threads = tf.train.start_queue_runners(sess=sess, coord=coord) for i in range(6): print(sess.run([features['i'], features['j']])) coord.request_stop() coord.join(threads)
3.3组合训练数据
通常在训练神经网络时，我们一次输入一个batch的数据量，这样可以提高训练效率。所以得到单个样例的预处理结果之后，还需要将它们组织成batch，然后输入网络的输入层。tensorflow提供了这样的函数：tf.train.batch以及tf.train.shuffle_batch。
实例：
import tensorflow as tf files = tf.train.match_filenames_once("/path/to/data.tfrecords-*") file_queue = tf.train.string_input_producer(files) # 解析一个样本 reader = tf.TFRecordReader() _, serialized_example = reader.read(filename_queue) features = tf.parse_single_example(serialized_example, features={ 'i': tf.FixedLenFeature((), tf.int64), 'j': tf.FixedLenFeature((), tf.int64) }) example, label = features['i'], features['j'] batch_size = 3 capacity = 1000 + 3 *batch_size example_batch, label_batch = tf.train.batch([example, label], batch_size=batch_size capacity=capacity) with tf.Session() as sess: tf.global_variables_initializer().run() coord = tf.train.Coordinator() threads = tf.train.start_queue_runners(sess=sess, coord=coord) for i in range(2): cur_example_batch, cur_label_batch = sess.run( [example_batch, label_batch]) print(cur_example_batch, cur_label_batch) coord.request_stop() coord.join(threads)
其中，调用tf.train.start_queue_runners, 启动入队线程，由多个或单个线程，按照设定规则，把文件读入Filename Queue中。函数返回线程ID的列表，一般情况下，系统有多少个核，就会启动多少个入队线程（入队具体使用多少个线程在tf.train.batch中定义）;
（参考：https://blog.csdn.net/dcrmg/article/details/79780331）
3.4高层处理框架slim
除了使用tf.train提供的方法进行获取批量的训练TFRecord数据，对于tensorflow的高层封装tf.slim处理。
通过slim读取TFRecord数据，主要分为以下几个步骤：
1、定义解码器decoder
decoder = tf.slim.tfexample_decoder.TFExampleDecoder()
其中，定义解码器时，需要制定两个参数：keys_to_features,和items_to_handlers两个字典参数。key_to_features这个字典需要和TFrecord文件中定义的字典项匹配。items_to_handlers中的关键字可以是任意值，但是它的handler的初始化参数必须要来自于keys_to_features中的关键字。
2、定义dataset
dataset= tf.slim.dataset.Dataset()
其中，定义dataset时需要将datasetsource、reader、decoder、num_samples等参数
3、定义provider
provider = slim.dataset_data_provider.DatasetDataProvider
其中，需要的参数为：dataset, num_readers, reader_kwargs, shuffle, num_epochs,common_queue_capacity,common_queue_min, record_key=',seed, scope等。
4、调用provider的get方法
获取items_to_handlers中定义的关键字
5、利用分好的batch建立一个prefetch_queue
6、prefetch_queue中有一个dequeue的op，每执行一次dequeue则返回一个batch的数据。
（参考：
https://www.jianshu.com/p/63eb53cb5b73
https://blog.csdn.net/MOU_IT/article/details/82773839）
实例：
# 构造第一个参数：数据目录+文件名
file_pattern = os.path.join(dataset_dir, self.param.FILE_PATTERN % train_or_test)
# 准备第二个参数：
reader = tf.TFRecordReader
# 准备第三个参数：decoder
# 反序列化的格式
keys_to_features = {
'image/encoded': tf.FixedLenFeature((), tf.string, default_value=''),
'image/format': tf.FixedLenFeature((), tf.string, default_value='jpeg'),
'image/height': tf.FixedLenFeature([1], tf.int64),
'image/width': tf.FixedLenFeature([1], tf.int64),
'image/channels': tf.FixedLenFeature([1], tf.int64),
'image/shape': tf.FixedLenFeature([3], tf.int64),
'image/object/bbox/xmin': tf.VarLenFeature(dtype=tf.float32),
'image/object/bbox/ymin': tf.VarLenFeature(dtype=tf.float32),
'image/object/bbox/xmax': tf.VarLenFeature(dtype=tf.float32),
'image/object/bbox/ymax': tf.VarLenFeature(dtype=tf.float32),
'image/object/bbox/label': tf.VarLenFeature(dtype=tf.int64),
'image/object/bbox/difficult': tf.VarLenFeature(dtype=tf.int64),
'image/object/bbox/truncated': tf.VarLenFeature(dtype=tf.int64),
}
# 2、反序列化成高级的格式
# 其中bbox框ymin [23] xmin [46],ymax [234] xmax[12]--->[23,46,234,13]
items_to_handlers = {
'image': slim.tfexample_decoder.Image('image/encoded', 'image/format'),
'shape': slim.tfexample_decoder.Tensor('image/shape'),
'object/bbox': slim.tfexample_decoder.BoundingBox(
['ymin', 'xmin', 'ymax', 'xmax'], 'image/object/bbox/'),
'object/label': slim.tfexample_decoder.Tensor('image/object/bbox/label'),
'object/difficult': slim.tfexample_decoder.Tensor('image/object/bbox/difficult'),
'object/truncated': slim.tfexample_decoder.Tensor('image/object/bbox/truncated'),
}
# 构造decoder
decoder = slim.tfexample_decoder.TFExampleDecoder(keys_to_features, items_to_handlers)
dataset = slim.dataset.Dataset(
data_sources=file_pattern,
reader=reader,
decoder=decoder,
num_samples=self.param.SPLITS_TO_SIZES[train_or_test],
items_to_descriptions=self.param.ITEMS_TO_DESCRIPTIONS,
num_classes=self.param.NUM_CLASSES)
provider = slim.dataset_data_provider.DatasetDataProvider(
dataset,
num_readers=4,
common_queue_capacity=20 * FLAGS.batch_size,
common_queue_min=10 * FLAGS.batch_size,
shuffle=True
)
# 通过get获取数据，获取到的数据是单个数据，还需要对数据进行预处理，组合数据
# 真正获取参数
[image, shape, glabels, gbboxes] = provider.get(['image', 'shape', 'object/label', 'object/bbox'])
# 直接进行数据预处理
# image [?, ?, 3]---->[300， 300， 3]
image, glabels, gbboxes = image_preprocessing_fn(image, glabels, gbboxes,
out_shape=ssd_shape,
data_format=DATA_FORMAT)
# 特征值、目标
# 批处理以及队列处理
# tensor_list:tensor列表 [tensor, tensor, ]
# tf.train.batch(tensor_list, batch_size, num_threads, capacity)
# [Tensor, [6], [6], [6]] 嵌套的列表要转换成单列表形式
r = tf.train.batch(train_tools.reshape_list([image, gclasses, glocalisations, gscores]),
batch_size=FLAGS.batch_size,
num_threads=4,
capacity=5 * FLAGS.batch_size)
# 批处理数据放入队列
# 1个r:批处理的样本， 5个设备，5个r, 5组32张图片
# 队列的目的是为了不同设备需求
#最后组装好的数据出队列dequeue
batch_queue = slim.prefetch_queue.prefetch_queue(r, capacity=deploy_config.num_clones)
