开发者学堂课程【深度学习框架 TensorFlow 入门：图片读取案例】学习笔记，与课程紧密联系，让用户快速学习知识。
课程地址：https://developer.aliyun.com/learning/course/773/detail/13553
图片读取案例
内容介绍：
一、图像基本知识
二、图片特征值处理
三、数据格式
四、案例：狗图片读取
一、图像基本知识
特征抽取：
文本 — 数值(二维数组 shape(n_samples, m_features))
字典 — 数值(二维数组 shape(n_samples, m_features)
图片 — 数值(三维数组 shape(图片长度、图片宽度、图片通道数)
我们经常接触到的图片有两种，一种是黑白图片（灰度图），另一种是彩色图片。
组成图片的最基本单位是像素。
（1）图片三要素
组成一张图片特征值是所有的像素值，有三个维度：图片长度、图片宽度、图片通道数。
描述一个像素点，如果是灰度图，那么只需要一个数值来描述它，就是单通道。
如果一个像素点，有 RGB 三种颜色来描述它，就是三通道。
灰度图[长，宽，1]：单通道，由像素构成，每一个像素点是[0,255]的数，越接近于0越黑，越接近于255越白
彩色图片[长，宽，3]：三通道，由三个通道构成，每一个像素点用[0,255]的数表示
如果一张彩色图片的长200，宽200，通道数为3，那么总的像素数量为200*200*3。
（2）张量形状
在 TensorFlow 中如何用张量表示一张图片呢？
一张图片可以被表示成一个3D张量，即其形状为[height，width，channel]， height 就表示高， width 表示宽， channel 表示通道数。我们会经常遇到3D和4D的表示
Tensor(指令名称，shape，dtype)
单个图片： shape = (height，width，channel)
多个图片： shape = (batch，height，width，channel)，batch 表示一个批次的张量数量
二、图片特征值处理
iris 数据集
150个样本 4个特征 目标值
1）一个样本 327 * 499 * 3 数据量大
2）样本和样本的形状不统一，没办法进行批量操作和运算
为什么要缩放图片到统一大小？
在进行图像识别的时候，每个图片样本的特征数量要保持相同。所以需要将所有图片张量大小统一转换。
另一方面，如果图片的像素量太大，通过这种方式适当减少像素的数量，减少训练的计算开销。
tf.image.resize_images(images,size)
缩小放大图片
images ：4-D形状[batch，height，width，channels]或3-D形状的张量[height，width，channels]的图片数据
size ：1-D int32张量： new_height , new_width ,图像的新尺寸
返回4-D 格式或者3-D 格式图片
三、数据格式
存储：unit8（节约空间）
矩阵计算：float32（提高精度）
四、案例：狗图片读取
狗图片如下：
（1）读取流程分析
构造图片文件名队列
读取图片数据并进行解码
处理图片数据形状，使样本的形状和类型统一，放入批处理
开启会话线程运行
（2）完整代码
import tensorflow as tf
import os
def picture_read():
"""
狗图片读取案例
:return:
"""
# 1、构造文件名队列
file_queue = tf.train.string_input_producer(file_list)
# 2、读取与解码
# 读取阶段
reader = tf.WholeFileReader()
# key 文件名，value 一张图片的原始编码形状
key,value = reader.read(file_queue)
print("key:\n",key)
print("value:\n",value)
#解码阶段
image = tf.image.decode_jpeg(value)
print("image:\n",image)
# 图像的形状、类型修改
image_resized = tf.image.resize_images(image,[200,200])
print("image_resized:\n",image_resized)
# 静态形状修改
image_resized.set_shape(shape=[200,200,3])
print("image_resized:\n",image_resized)
# 3、批处理
image_batch=tf.train.batch([image_resized],batch_size=100,num_threads=1,capacity=100)
print("image_batch:\n",image_batch)
# 开启会话
with tf.Session() as sess:
# 开启线程
# 线程协调员
coord = tf.train.Coordinator()
threads=tf.train.start_queue_runners(sess=sess,coord==coord)
key_new,value_new,image_new,image_resized_new,image_batch_new = sess.run([key,value,image])
print("key_new:\n",key_new)
print("value_new:\n",value_new)
print("image_new:\n",image_new)
print("image_resized_new:\n",image_resized_new)
print("image_batch_new:\n",image_batch_new)
# 回收线程
coord.request_stop()
return None
if __name__ == "__main__":
# 构造路径+文件名的列表
filename = os.listdir("./dog")
# print(filename)
# 拼接路径+文件名
file_list = [os.path.join("./dog",file) for file in filename]
picture_read()
