从图像本地目录创建 tensorflow 数据集

Question

我在本地有一个非常庞大的图像数据库，数据分布就像每个文件夹都包含一个类的图像。

我想使用 tensorflow 数据集 API 来批量获取数据，而无需将所有图像加载到内存中。

我试过这样的事情：

def _parse_function(filename, label):

    image_string = tf.read_file(filename, "file_reader")

    image_decoded = tf.image.decode_jpeg(image_string, channels=3)

    image = tf.cast(image_decoded, tf.float32)

    return image, label

image_list, label_list, label_map_dict = read_data()

dataset = tf.data.Dataset.from_tensor_slices((tf.constant(image_list), tf.constant(label_list)))

dataset = dataset.shuffle(len(image_list))

dataset = dataset.repeat(epochs).batch(batch_size)

dataset = dataset.map(_parse_function)

iterator = dataset.make_one_shot_iterator()

image_list 是一个列表，其中附加了图像的路径（和名称），label_list 是一个列表，其中每个图像的类都以相同的顺序附加。

但是 _parse_function 不起作用，我的错误是：

ValueError: Shape must be rank 0 but is rank 1 for 'file_reader' (op: 'ReadFile') with input shape: [?]。

我用谷歌搜索了错误，但对我没有任何作用。

如果我不使用 map 函数，我只是记录图像的路径（它们存储在 image_list 中），所以我认为我需要 map 函数来读取图像，但我无法使其工作。

先感谢您。

编辑：

    def read_data():

        image_list = []

        label_list = []

        label_map_dict = {}

        count_label = 0

        for class_name in os.listdir(base_path):

            class_path = os.path.join(base_path, class_name)

            label_map_dict[class_name]=count_label

            for image_name in os.listdir(class_path):

                image_path = os.path.join(class_path, image_name)

                label_list.append(count_label)

                image_list.append(image_path)

            count_label += 1

Answer 1

错误在这一行dataset = dataset.repeat(epochs).batch(batch_size)您的管道将批量大小添加为输入的维度。您需要像这样在 map 函数之后批处理您的数据集    dataset = tf.data.Dataset.from_tensor_slices((tf.constant(image_list), tf.constant(label_list)))    dataset = dataset.shuffle(len(image_list))    dataset = dataset.repeat(epochs)    dataset = dataset.map(_parse_function).batch(batch_size)