<>

?擴展之tensorflow2.0 | 15 TF2實現一個簡單的服裝分類任務

小白學PyTorch | 14 tensorboardX可視化教程

小白學PyTorch | 13 EfficientNet詳解及PyTorch實現

小白學PyTorch | 12 SENet詳解及PyTorch實現

小白學PyTorch | 11 MobileNet詳解及PyTorch實現

小白學PyTorch | 10 pytorch常見運算詳解

小白學PyTorch | 9 tensor數據結構與存儲結構

小白學PyTorch | 8 實戰之MNIST小試牛刀

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

小白學PyTorch | 6 模型的構建訪問遍歷存儲(附代碼)

小白學PyTorch | 5 torchvision預訓練模型與數據集全覽

小白學PyTorch | 4 構建模型三要素與權重初始化

小白學PyTorch | 3 淺談Dataset和Dataloader

小白學PyTorch | 2 淺談訓練集驗證集和測試集

小白學PyTorch | 1 搭建一個超簡單的網絡

小白學PyTorch | 動態圖與靜態圖的淺顯理解

參考目錄：

• 1 PIL讀取圖片

• 2 TF讀取圖片

• 3 TF構建數據集

本文的代碼已經上傳，在作者公眾號后臺回復【PyTorch】獲取。

1 PIL讀取圖片

想要把一個圖片，轉換成RGB3通道的一個張量，我們怎么做呢？大家第一反應應該是PIL這個庫吧

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image現在是PIL格式的，我們使用numpy.array()來將其轉換成numpy的張量的形式：

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

可以看到，這個第三維度是3。對于pytorch而言，數據的第一維度應該是樣本數量，第二維度是通道數，第三四是圖像的寬高，因此PIL讀入的圖片，往往需要把通道數的這個維度移動到第二維度上才能對接上pytorch的形式。(transpose方法來實現這個功能，這里不細說)

2 TF讀取圖片

下面是重點啦，對于tensorflow，tf中自己帶了一個解碼函數，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list返回；
• 這個功能也可以用glob庫函數實現，我記得是glob.glob()方法；
• 這里的bug1和bug2其實是同一張圖片，都是上面的那個小兔子。

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()這個得到的返回值是二進制格式，所以需要下面的tf.image.decode_jpeg進行一個解碼；
• decode_jpeg的第一個參數就是讀取的二進制文件，然后channels是輸出的圖片的通道數，3就是RPB三個通道，如果是1的話，就是灰度圖片，ratio是圖片大小的一個縮小比例，默認是1，可以是2和4，一會看一下ratio=2的情況；
• 這個image的type是一個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，然后通道數是1，都和預想的一樣。使用decode_jpeg等解碼函數得到的結果，是uint8的類型的，簡單地說就是整數，0到255范圍的。在對圖片進行操作的時候，我們需要將其標準化到0到1區間的，因此需要將其轉換成float32類型的。所以對上述代碼進行補充：

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])?#?統一圖片大小
image?=?tf.cast(image,tf.float32)?#?轉換類型
image?=?image/255?#?歸一化
print(image)

從結果來看，數據類型已經改變：

3 TF構建數據集

下面是dataset更正式的寫法，關于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的結構真是不太友好。。。

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])??#?統一圖片大小
????image?=?tf.cast(image,?tf.float32)??#?轉換類型
????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獲取一個文件的list，本次就兩個文件名字，一個bug1.jpeg,一個bug2.jpeg;
• tf.data.Dataset.from_tensor_slices()返回的就是一個tensorflow的dataset類型，可以簡單理解為一個可迭代的list,并且有很多其他方法；
• dataset.map就是用實現定義好的函數，對處理dataset中每一個元素，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，對圖片的預處理應該也在這部分進行吧；
• 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num就是從dataset中取出來的batch的數量，也就是循環的次數吧。
• AUTOTUNE = tf.data.experimental.AUTOTUNE 就是根據你的cpu的情況，自動判斷多線程的數量。上面代碼的輸出結果為：

- END -

往期精彩回顧

適合初學者入門人工智能的路線及資料下載

機器學習及深度學習筆記等資料打印

機器學習在線手冊

深度學習筆記專輯

《統計學習方法》的代碼復現專輯

AI基礎下載

機器學習的數學基礎專輯

獲取一折本站知識星球優惠券，復制鏈接直接打開：

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

本站qq群704220115。

加入微信群請掃碼進群(如果是博士或者準備讀博士請說明)：

總結

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內容，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站內容還不錯，歡迎將生活随笔推薦給好友。