精华内容
下载资源
问答
  • 使用tf读取图片 """ import tensorflow as tf import matplotlib.pyplot as plt image_raw = tf.gfile.FastGFile(r'C:\Users\Administrator\Desktop\meatwice\meatwice\01newCognition\reinf...

    代码:

    """
    使用tf读取图片
    """
    
    
    import tensorflow as tf
    import matplotlib.pyplot as plt
    
    
    image_raw = tf.gfile.FastGFile(r'C:\Users\Administrator\Desktop\meatwice\meatwice\01newCognition\reinforcement_learning\new_test_tensorflow\picture_set\b023260d27ab8087b5b7d73b837094d.png', \
                         'rb').read()
    
    img = tf.image.decode_jpeg(image_raw)
    
    with tf.Session() as sess:
        img1 = img.eval()
        # print(img1)
        print(img1.shape)
    
    plt.figure(1)
    plt.imshow(img1)
    plt.show()

     

    显示:

     

    转载于:https://www.cnblogs.com/zrmw/p/11589503.html

    展开全文
  • 使用 tf.read_file读取图片

    万次阅读 2018-08-08 15:29:24
    # -*- coding: utf-8 -*- """ Spyder Editor This is a temporary script file. ""...import matplotlib.pyplot as plt import tensorflow as tf ...print(tf.__version__)...image_value = tf....
    # -*- coding: utf-8 -*-
    """
    Spyder Editor
    
    This is a temporary script file.
    """
    
    import matplotlib.pyplot as plt
    import tensorflow as tf
    import numpy as np
     
    print(tf.__version__)
     
    image_value = tf.read_file('D:/picture/11.jpg')
    img = tf.image.decode_jpeg(image_value, channels=3)
    
    image_value2 = tf.read_file('D:/picture/14.png')
    img2 = tf.image.decode_jpeg(image_value,channels=3)
    
    
    
    with tf.Session() as sess:
      print(type(image_value)) # bytes
      print(type(img)) # Tensor
     
      #print(type(img2))
     
    #  print(type(img.eval())) # ndarray !!!
    #  print(img.eval().shape)
    #  print(img.eval().dtype)
     
    #  print(type(img2.eval()))
    #  print(img2.eval().shape)
    #  print(img2.eval().dtype)
      plt.figure(1)
      plt.imshow(img.eval())
      plt.show()
    
    
    

     

    展开全文
  • 第一种就是把图片看做是一个图片直接读进来,获取图片的原始数据,再进行解码import tensorflow as tf; image_raw_data = tf.gfile.FastGFile('/home/penglu/Desktop/11.jpg').read() image = tf.image.decode_jpeg...

    第一种就是把图片看做是一个图片直接读进来,获取图片的原始数据,再进行解码

    import tensorflow as tf;    
    
    image_raw_data = tf.gfile.FastGFile('/home/penglu/Desktop/11.jpg').read()  
    image = tf.image.decode_jpeg(image_raw_data) #图片解码  
    
    print image.eval(session=tf.Session())

    第二种方式就是把图片看看成一个文件,用队列的方式读取

    import tensorflow as tf;    
    
    path = '/home/penglu/Desktop/11.jpg'  
    file_queue = tf.train.string_input_producer([path]) #创建输入队列  
    image_reader = tf.WholeFileReader()  
    _, image = image_reader.read(file_queue)  
    image = tf.image.decode_jpeg(image)  
    
    with tf.Session() as sess:  
        coord = tf.train.Coordinator() #协同启动的线程  
        threads = tf.train.start_queue_runners(sess=sess, coord=coord) #启动线程运行队列  
        print sess.run(image)  
        coord.request_stop() #停止所有的线程  
        coord.join(threads)  
    sess = tf.Session()
    sess.run(init)
    with tf.Session() as sess:  
        sess.run(tf.global_variables_initializer())  
        print sess.run(op)
    sess_ = tf.InteractiveSession()  
    tf.global_variables_initializer().run()  
    print op.eval()  
    sess_.close()  

    tf.train.Supervisor().managed_session()
    与上面两种启动图相比较来说,Supervisor() 帮助我们处理一些事情:
    (a) 自动去 checkpoint 加载数据或者初始化数据
    (b) 自动有一个 Saver ,可以用来保存 checkpoint
    eg: sv.saver.save(sess, save_path)
    (c) 有一个 summary_computed 用来保存 Summary
    因此我们可以省略了以下内容:
    (a)手动初始化或者从 checkpoint 中加载数据
    (b)不需要创建 Saver 类, 使用 sv 内部的就可以
    (c)不需要创建 Summary_Writer()

    sv = tf.train.Supervisor(logdir=None, init_op=tf.global_variables_initializer())  
    with sv.managed_session() as sess:  
        print sess.run(preduct) 
    #coding:utf-8  
    
    import tensorflow as tf  
    
    a = tf.Variable(1)  
    b = tf.Variable(2)  
    c = tf.add(a, b)  
    
    update = tf.assign(a, c)  
    
    init = tf.global_variables_initializer()  
    
    sv = tf.train.Supervisor(logdir="./tmp/", init_op=init)  
    saver = sv.saver  
    with sv.managed_session() as sess:  
        for i in range(1000):  
            update_ = sess.run(update)  
            #print("11111", update)  
    
            if i % 100 == 0:  
                sv.saver.save(sess, "./tmp/", global_step=i)  
    input1 = tf.placeholder(tf.float32)
    input2 = tf.placeholder(tf.float32)
    output = tf.mul(input1, input2)
    
    with tf.Session() as sess:
      print sess.run([output], feed_dict={input1:[7.], input2:[2.]})
    展开全文
  • 一起来用tf.data API!(5)——使用tf.data API读取TFRecords文件(一)前 言(二)使用tf.data API...在上一节中,我们成功将图像数据制作成了TFRecords文件,在这一节中我们要使用tf.data API将其读取出来,并...

    (一)前 言

    在上一节中,我们成功将图像数据制作成了TFRecords文件,在这一节中我们要使用tf.data API将其读取出来,并使用matplotlib对其进行显示。

    (二)使用tf.data API读取文件

    我们通过如下的代码实现这一操作:

    (1)定义数据预处理操作

    注意在进行tfrecords读取的时候,还原特征列的属性一定要与写入时创建的example相同

    def _parse_function(example_proto):
    # 还原数据特征
      features = {'label':tf.FixedLenFeature([], tf.int64),
                  'img_raw':tf.FixedLenFeature([], tf.string)}
      
      parsed_features = tf.parse_single_example(example_proto, features)
      # 对原数据进行解码
      img = tf.decode_raw(parsed_features['img_raw'], tf.uint8)
      img = tf.reshape(img, [128, 128, 3])
        # 在流中抛出img张量和label张量,并进行数据类型的转换
      img = tf.cast(img, tf.float32) / 255
      label = tf.cast(parsed_features['label'], tf.int32)
      return img, label
    

    (2)创建dataset

    filenames = ["要读取的文件序列"]
    dataset = tf.data.TFRecordDataset(filenames)
    # 使用map方法对dataset进行处理
    dataset = dataset.map(_parse_function)
    

    (3)创建迭代器

    # 创建一个可初始化迭代器
    iterator = dataset.make_initializable_iterator()
    next_element = iterator.get_next()
    

    (4)定义会话取出数据

    with tf.Session() as sess:
        sess.run(iterator.initializer)
        for i in range(2):
            image, label = sess.run(next_element)
            plt.imshow(image)
    

    (5)完整代码

    import tensorflow as tf
    import matplotlib.pyplot as plt
    
    def _parse_function(example_proto):
      features = {'label':tf.FixedLenFeature([], tf.int64),
                  'img_raw':tf.FixedLenFeature([], tf.string)}
      
      parsed_features = tf.parse_single_example(example_proto, features)
      img = tf.decode_raw(parsed_features['img_raw'], tf.uint8)
      img = tf.reshape(img, [128, 128, 3])
        # 在流中抛出img张量和label张量
      img = tf.cast(img, tf.float32) / 255
      label = tf.cast(parsed_features['label'], tf.int32)
      return img, label
    
    filenames = ["要读取的文件序列"]
    dataset = tf.data.TFRecordDataset(filenames)
    dataset = dataset.map(_parse_function)
    
    iterator = dataset.make_initializable_iterator()
    next_element = iterator.get_next()
    
    with tf.Session() as sess:
        sess.run(iterator.initializer)
        for i in range(2):
            image, label = sess.run(next_element)
            plt.imshow(image)
            plt.show()      
    

    运行上述源码,显示如下:
    在这里插入图片描述

    (三)总 结

    在本节中我们介绍了如何使用tf.data API读取生成的TFRecords,并将其重新显示,有任何的疑问可以在评论区留言,我会尽快回复,谢谢支持!

    展开全文
  • # 读取数据文件 # image = tf.read_file("D:\Pictures\cscscs\sc13.jpg", 'r') # image = tf.io.gfile.GFile('D:\Pictures\cscscs\sc13.jpg').read() # # 新版NBNBNB # # 将图像文件解码为Tensor # image_tensor =.
  • 读取tfrecord文件的方法有很多种,如果只是想单纯快速的读取出 tfrecord文件中的图片,并显示它,那么下面这个方法非常的简洁 高效。 我的tensorflow是2.5版的,python是3.8版本 import tensorflow as tf import ...
  • im2txt代码中读取TFRecord数据使用的是多线程填充队列的方式,从tensorflow 1.4.0(大概是)之后推荐使用tf.data模块进行操作。使用tf.data进行数据读取比较好懂,因为上层的封装比较好,流程比较清楚;但是使用多...
  • 下面的代码是制作数据集,从之前生成的txt图片读取数据名,然后制作 import os import tensorflow as tf from PIL import Image import matplotlib.pyplot as plt import numpy as np os.environ['TF_CPP_MIN_LOG...
  • 如何使用tf.data读取tfrecords数据集

    千次阅读 2018-06-03 12:47:30
    tfrecords有一个问题就是如果数据集图片数量太大了,使用传统的方法tf.train.string_input_producer,就会报OutOfRangeError这个错误,至今我不知道怎么解决,找了无数方法也不知道怎么解决,不过引起的原因大部分是...
  • TF:利用TF读取数据操作,将CIFAR-10 数据集中的训练图片读取出来,并保存为.jpg 格式 目录 输出结果 核心代码 输出结果 核心代码 def inputs_origin(data_dir): filenames = [os.path.join...
  • #读取数据流程 ######该过程可以分为...使用读取器从上一步拿到的文件名队列,从文件中读取数据,按照一个样本为单位读取的,图片,文本,的编码不同,使用的解码器不同。 ###批处理阶段 构建批次即batch_size ...
  • tf读取文件数据

    2019-06-03 16:29:06
    tensorFlow程序读取数据一共有3种方法: 供给数据(Feeding): 在TensorFlow程序运行的每...从文件读取数据: 在TensorFlow图的起始, 让一个输入管线从文件中读取数据。 预加载数据: 在TensorFlow图中定义常量...
  • 文章目录1 PIL读取图片2 TF读取图片3 TF构建数据集 本文的代码已经上传公众号后台,回复【PyTorch】获取。 1 PIL读取图片 想要把一个图片,转换成RGB3通道的一个张量,我们怎么做呢?大家第一反应应该是PIL这个库吧 ...
  • TensorFlow读取图片tf.gfile.FastGFile

    千次阅读 2019-06-05 09:56:32
    功能:读取图像 参数:1、图像路径;2、读取方式(‘r’为utf-8,‘rb’为非utf-8) import tensorflow as tf import matplotlib.pyplot as plt #读取图像 src_img = tf.gfile.FastGFile('lena.jpg', 'rb')....
  • tf数据读取

    2018-12-28 11:00:00
    # coding:utf-8 import os if not os.path.exists('read'): os.makedirs('read/') # 导入TensorFlow ...import tensorflow as tf ...with tf.Session() as sess: ... # 我们要读三幅图片A.jpg, B.j...
  • tf-图像预处理

    2019-10-02 21:34:59
    tensorflow 中自带了很多图像处理的方法,...1. 用 tf 的方法读取图片后,都需要进行编解码,才能在 tf 中继续处理; 2. tf 提供了各种类型图像的编解码:decode_gif,decode_png,decode_jepg,decode_image,enc...
  • 下面代码是使用tensorboard显示图片:#coding=utf-8 ...# 获取图片数据 file = open('lp.jpg', 'rb') data = file.read() file.close() # 图片处理 image = tf.image.decode_jpeg(data, channels=3) image = tf.exp...
  • 读取完文件治好后,一般要配合tf.image.decode_image()函数对图片解码 tf.io.read_file( filenanme, name=None ) 参数: filename:Tensor类型的String或python字符串 name:名称(可选) 实例: image_raw = tf...
  • tf#图像选择

    2020-04-09 17:21:39
    图像处理 1.图像数字化3要素:[长度,宽度,通道数] 如何用张量表示[height,winth,hwo] 2. 图像的基本操作: 所有图片统一 所有图片转换成指定大小 缩小图片数据量,防止开销 tf.image.resize_images(images,size...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 29,082
精华内容 11,632
关键字:

使用tf读取图片