tensorflow制作自己的灰度图像数据集并训练

先在https://download.csdn.net/download/yy805428679/10787808处下载了三通道图像的例程，然后使用那个手写的灰度图文件库，再改了下。所有改过的傻逼过程里的注释都没删，也许有帮助。把解压后的文件放到e盘DeepLearning文件夹里，运行test_Net.py就可以出测试结果。当然也可以运行train_Net.py先训练。我用的是anaconda3,64位，spyder编辑，python3.5,tensorfow是CPU版本。

# -*- coding: utf-8 -*-
“““
Created on Mon Jul 30 15:39:57 2018

@author: Yanlei


代码功能： 输入图片处理
对指定大小的生成图片进行sample和label分类操作。获得神经网络属输入的get_files文件，
同时为了方便网络的训练，对输入数据进行batch处理。
“““



import os
import tensorflow as tf
import numpy as np
import math
import matplotlib.pyplot as plt


#===============================================================
# 生成图片路径和标签的list

train_dir = ‘E:\\DeepLearning\\Train_Our_Dataset\\Images_data‘

pic0 = []
label_0 = []
pic1 = []
label_1 = []
pic2 = []
label_2 = []
pic3 = []
label_3 = []
pic4 = []
label_4 = []
pic5 = []
label_5 = []
pic6 = []
label_6 = []
pic7 = []
label_7 = []
pic8 = []
label_8 = []
pic9 = []
label_9 = []



#====================================
# step1:获取train_dir = ‘E:\\DeepLearning\\Train_Our_Dataset\\Images_data‘下所有图片路径，存放在
# 对应的list中，同时贴上标签，放到对应的label列表中
def get_files（file_dir ratio）:    # ratio 比例，比率
    for file in os.listdir（file_dir+‘/pic0‘）:
        pic0.append（file_dir +‘/pic0‘+‘/‘+ file） # 将图片读出到list。 
        label_0.append（0）                # 数组中添加0，表明0是0的标签 
    for file in os.listdir（file_dir+‘/pic1‘）:
        pic1.append（file_dir +‘/pic1‘+‘/‘+ file） # 将图片读出到list。 
        label_1.append（1）                # 数组中添加0，表明0是0的标签
    for file in os.listdir（file_dir+‘/pic2‘）:
        pic2.append（file_dir +‘/pic2‘+‘/‘+ file） # 将图片读出到list。 
        label_2.append（2）                # 数组中添加0，表明0是0的标签
    for file in os.listdir（file_dir+‘/pic3‘）:
        pic3.append（file_dir +‘/pic3‘+‘/‘+ file） # 将图片读出到list。 
        label_3.append（3）                # 数组中添加0，表明0是0的标签
    for file in os.listdir（file_dir+‘/pic4‘）:
        pic4.append（file_dir +‘/pic4‘+‘/‘+ file） # 将图片读出到list。 
        label_4.append（4）                # 数组中添加0，表明0是0的标签
    for file in os.listdir（file_dir+‘/pic5‘）:
        pic5.append（file_dir +‘/pic5‘+‘/‘+ file） # 将图片读出到list。 
        label_5.append（5）                # 数组中添加0，表明0是0的标签
    for file in os.listdir（file_dir+‘/pic6‘）:
        pic6.append（file_dir +‘/pic6‘+‘/‘+ file） # 将图片读出到list。 
        label_6.append（6）                # 数组中添加0，表明0是0的标签
    for file in os.listdir（file_dir+‘/pic7‘）:
        pic7.append（file_dir +‘/pic7‘+‘/‘+ file） # 将图片读出到list。 
        label_7.append（7）                # 数组中添加0，表明0是0的标签
    for file in os.listdir（file_dir+‘/pic8‘）:
        pic8.append（file_dir +‘/pic8‘+‘/‘+ file） # 将图片读出到list。 
        label_8.append（8）                # 数组中添加0，表明0是0的标签
    for file in os.listdir（file_dir+‘/pic9‘）:
        pic9.append（file_dir +‘/pic9‘+‘/‘+ file） # 将图片读出到list。 
        label_9.append（9）                # 数组中添加0，表明0是0的标签
    



    #step2：对生成的图片路径和标签List做打乱处理，合起来组成一个list（img和lab）
    image_list = np.hstack（（pic0pic1pic2pic3pic4pic5pic6pic7pic8pic9））    # stack堆叠。h代表水平方向。hstack表示水平方向连起来
    label_list = np.hstack（（label_0label_1label_2label_3label_4label_5label_6label_7label_8label_9））
    
    # 利用shuffle打乱顺序
    temp = np.array（[image_list label

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件        181  2019-07-29 17:25  Train_Our_Dataset\Images_data\checkpoint

     文件    4369948  2019-07-29 10:19  Train_Our_Dataset\Images_data\events.out.tfevents.1564365740.RJ-COMPUTOR

     文件    2171447  2019-07-29 17:25  Train_Our_Dataset\Images_data\events.out.tfevents.1564391342.RJ-COMPUTOR

     文件     401244  2019-07-29 17:25  Train_Our_Dataset\Images_data\model.ckpt-9999.data-00000-of-00001

     文件       1535  2019-07-29 17:25  Train_Our_Dataset\Images_data\model.ckpt-9999.index

     文件     942027  2019-07-29 17:25  Train_Our_Dataset\Images_data\model.ckpt-9999.meta

     文件        599  2019-04-08 08:31  Train_Our_Dataset\Images_data\pic0\mnist_train_10.jpg

     文件        573  2019-04-08 08:31  Train_Our_Dataset\Images_data\pic0\mnist_train_1001.jpg

     文件        591  2019-04-08 08:31  Train_Our_Dataset\Images_data\pic0\mnist_train_1008.jpg

     文件        590  2019-04-08 08:31  Train_Our_Dataset\Images_data\pic0\mnist_train_1023.jpg

     文件        581  2019-04-08 08:31  Train_Our_Dataset\Images_data\pic0\mnist_train_1034.jpg

     文件        598  2019-04-08 08:31  Train_Our_Dataset\Images_data\pic0\mnist_train_1045.jpg

     文件        616  2019-04-08 08:31  Train_Our_Dataset\Images_data\pic0\mnist_train_1065.jpg

     文件        658  2019-04-08 08:31  Train_Our_Dataset\Images_data\pic0\mnist_train_1076.jpg

     文件        637  2019-04-08 08:31  Train_Our_Dataset\Images_data\pic0\mnist_train_108.jpg

     文件        534  2019-04-08 08:31  Train_Our_Dataset\Images_data\pic0\mnist_train_1094.jpg

     文件        597  2019-04-08 08:31  Train_Our_Dataset\Images_data\pic0\mnist_train_1097.jpg

     文件        601  2019-04-08 08:31  Train_Our_Dataset\Images_data\pic0\mnist_train_1103.jpg

     文件        611  2019-04-08 08:31  Train_Our_Dataset\Images_data\pic0\mnist_train_1113.jpg

     文件        616  2019-04-08 08:31  Train_Our_Dataset\Images_data\pic0\mnist_train_1117.jpg

     文件        620  2019-04-08 08:31  Train_Our_Dataset\Images_data\pic0\mnist_train_1133.jpg

     文件        573  2019-04-08 08:31  Train_Our_Dataset\Images_data\pic0\mnist_train_1137.jpg

     文件        580  2019-04-08 08:31  Train_Our_Dataset\Images_data\pic0\mnist_train_1146.jpg

     文件        605  2019-04-08 08:31  Train_Our_Dataset\Images_data\pic0\mnist_train_115.jpg

     文件        580  2019-04-08 08:31  Train_Our_Dataset\Images_data\pic0\mnist_train_1179.jpg

     文件        611  2019-04-08 08:31  Train_Our_Dataset\Images_data\pic0\mnist_train_120.jpg

     文件        582  2019-04-08 08:31  Train_Our_Dataset\Images_data\pic0\mnist_train_1207.jpg

     文件        570  2019-04-08 08:31  Train_Our_Dataset\Images_data\pic0\mnist_train_1227.jpg

     文件        539  2019-04-08 08:31  Train_Our_Dataset\Images_data\pic0\mnist_train_1228.jpg

     文件        579  2019-04-08 08:31  Train_Our_Dataset\Images_data\pic0\mnist_train_1245.jpg

............此处省略10000个文件信息