TensorFlow中的TFRecord文件

背景：最近在学习TensorFlow，需要将自定义图像数据作为训练数据。

标准TensorFlow格式

TensorFlow的训练过程其实就是大量的数据在网络中不断流动的过程，而数据的来源在官方文档[^1]（API r1.2）中介绍了三种方式，分别是：

• Feeding。通过Python直接注入数据。
• Reading from files。从文件读取数据，本文中的TFRecord属于此类方式。
• Preloaded data。将数据以constant或者variable的方式直接存储在运算图中。

当数据量较大时，官方推荐采用标准TensorFlow格式[^2]（Standard TensorFlow format）来存储训练与验证数据，该格式的后缀名为tfrecord。官方介绍如下：

A TFRecords file represents a sequence of (binary) strings. The format is not random access, so it is suitable for streaming large amounts of data but not suitable if fast sharding or other non-sequential access is desired.

从介绍不难看出，TFRecord文件适用于大量数据的顺序读取。而这正好是神经网络在训练过程中发生的事情。

如何使用TFRecord文件

对于TFRecord文件的使用，官方给出了两份示例代码，分别展示了如何生成与读取该格式的文件。

生成TFRecord文件

第一份代码convert_to_records.py [^3]将MNIST里的图像数据转换为了TFRecord格式 。仔细研读代码，可以发现TFRecord文件中的图像数据存储在Feature下的image_raw里。image_raw来自于data_set.images，而后者又来自mnist.read_data_sets()。因此images的真身藏在mnist.py这个文件里。

mnist.py并不难找，在Pycharm里按下ctrl后单击鼠标左键即可打开源代码。

继续追踪，可以在mnist里发现图像来自extract_images()函数。该函数的说明里清晰的写明：

Extract the images into a 4D uint8 numpy array [index, y, x, depth].
  Args:
    f: A file object that can be passed into a gzip reader.
  Returns:
    data: A 4D uint8 numpy array [index, y, x, depth].
  Raises:
    ValueError: If the bytestream does not start with 2051.

很明显，返回值变量名为data，是一个4D Numpy矩阵，存储值为uint8类型，即图像像素的灰度值（MNIST全部为灰度图像）。四个维度分别代表了：图像的个数，每个图像行数，每个图像列数，每个图像通道数。

在获得这个存储着像素灰度值的Numpy矩阵后，使用numpy的tostring()函数将其转换为Python bytes格式[^4]，再使用tf.train.BytesList()函数封装为tf.train.BytesList类，名字为image_raw。最后使用tf.train.Example()将image_raw和其它属性一遍打包，并调用tf.python_io.TFRecordWriter将其写入到文件中。

至此，TFRecord文件生成完毕。

可见，将自定义图像转换为TFRecord的过程本质上是将大量图像的像素灰度值转换为Python bytes，并与其它Feature组合在一起，最终拼接成一个文件的过程。

需要注意的是其它Feature的类型不一定必须是BytesList，还可以是Int64List或者FloatList。

读取TFRecord文件

第二份代码fully_connected_reader.py ^[1]展示了如何从TFRecord文件中读取数据。

读取数据的函数名为input()。函数内部首先通过tf.train.string_input_producer()函数读取TFRecord文件，并返回一个queue；然后使用read_and_decode()读取一份数据，函数内部用tf.decode_raw()解析出图像的灰度值，用tf.cast()解析出label的值。之后通过tf.train.shuffle_batch()的方法生成一批用来训练的数据。并最终返回可供训练的images和labels，并送入inference部分进行计算。

在这个过程中，有以下几点需要留意：

1. tf.decode_raw()解析出的数据是没有shape的，因此需要调用set_shape()函数来给出tensor的维度。
2. read_and_decode()函数返回的是单个的数据，但是后边的tf.train.shuffle_batch()却能够生成批量数据。
3. 如果需要对图像进行处理的话，需要放在第二项提到的两个函数中间。

其中第2点的原理我暂时没有弄懂。从代码上看read_and_decode()返回的是单个数据，shuffle_batch接收到的也是单个数据，不知道是如何生成批量数据的，猜测与queue有关系。

所以，读取TFRecord文件的本质，就是通过队列的方式依次将数据解码，并按需要进行数据随机化、图像随机化的过程。

参考