TensorFlow官网给的cifar-10教程，是卷积神经网络入门的好例子，有时想直接拿这个模型来跑自己的数据，却发现他的数据类型不是常见的，我们一般获取的数据（图片）以文件夹分类存好，或者直接在文件名上注明了类别，这时就要通过文件名的来获取标签，显然直接用cifar-10的方式是不行的。

这里当然可以吧数据转化成cifar-10那种类型，不过个人不喜欢这种方式吧。

另一种就还是老办法，对文件名进行处理，获取标签。

其实处理文件名，对python来说，很简单。只是刚接触卷积神经网络的，可能并不熟悉TensorFlow的用法（本人），怎么修改代码才能以这种方式读取数据进队列呢？

看代码：

import tensorflow as tf
import os

#这就是数据所在的路径，其子目录是若干个文件夹，分别对应一类数据，
#文件夹下存放的就是对应那一类的数据。
#命名方式：1，2，3，4····（代表不同的类别，简单粗暴）
path="./data"

classes=2#数据类别的数量
imagesList=[]#存放图片数据的列表（这里存放的仅仅是图片所在的路径，并不是图片）
labelsList=[]#存放标签，与上面图片是一一对应的
filepaths=[os.path.join(path,"%d"%i)for i in range (1,classes+1)]#存放path的子目录的路径
for p in filepaths:
 for filename in os.listdir(p):#获取图片的名字
  imagesList.append(os.path.join(p,filename))#图片名和路径拼接，然后如队列
  labelsList.append(int(p[-1]))#这里是按照命名的方式，p的最后一个字符就是类别

image = tf.cast(imagesList,tf.string)#转化成tf的数据类型
label = tf.cast(labelsList,tf.int64)
queue = tf.train.slice_input_producer([image,label])#生成队列，这里也就关键的地方
label = queue[1]
image_c = tf.read_file(queue[0])
image = tf.image.decode_jpeg(image_c,channels = 3)
training_image_data = tf.image.resize_images(image, [2, 2]) #这个函数是重塑行，具体干嘛不清楚，不用有时报错
example_batch, label_batch = tf.train.shuffle_batch([training_image_data,label], batch_size=1, capacity=2, min_after_dequeue=1) #生成Batch
# 运行Graph 
with tf.Session() as sess: 
 coord = tf.train.Coordinator() #创建一个协调器，管理线程 
 threads = tf.train.start_queue_runners(coord=coord) #启动QueueRunner, 此时文件名队列已经进队。 
 for i in range(6): 
  e_val,l_val = sess.run([example_batch, label_batch]) 
  print (e_val,l_val)#弄些简单的数据来测试效果。

 coord.request_stop() 
 coord.join(threads) 

以上这篇TensorFlow通过文件名/文件夹名获取标签,并加入队列的实现就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持python博客。