数据集准备kaggle猫狗大战数据集（训练），微软的不需要FQ
生成图片路径和标签的List
step1：获取D:/Study/Python/Projects/Cats_vs_Dogs/data/Cat下所有的猫图路径名，存放到cats中，同时贴上标签0，存放到label_cats中。狗图同理。
train_dir='D:/Study/Python/Projects/Cats_vs_Dogs/data'defget_files(file_dir):forfileinos.listdir(file_dir+'/Cat'):cats.append(file_dir+'/Cat'+'/'+file)label_cats.append(0)forfileinos.listdir(file_dir+'/Dog'):dogs.append(file_dir+'/Dog'+'/'+file)label_dogs.append(1)step2：对生成的图片路径和标签List做打乱处理
#把cat和dog合起来组成一个list（img和lab）image_list=np.hstack((cats,dogs))label_list=np.hstack((label_cats,label_dogs))#利用shuffle打乱顺序temp=np.array([image_list,label_list])temp=temp.transpose()np.random.shuffle(temp)#从打乱的temp中再取出list（img和lab）image_list=list(temp[:,0])label_list=list(temp[:,1])label_list=[int(i)foriinlabel_list]生成Batch
step1：将上面生成的List传入get_batch()，转换类型，产生一个输入队列queue，因为img和lab是分开的，所以使用tf.train.slice_input_producer()，然后用tf.read_file()从队列中读取图像
defget_batch(image,label,image_W,image_H,batch_size,capacity):#转换类型image=tf.cast(image,tf.string)label=tf.cast(label,tf.int32)#makeaninputqueueinput_queue=tf.train.slice_input_producer([image,label])label=input_queue[1]image_contents=tf.read_file(input_queue[0])#readimgfromaqueuestep2：将图像解码，不同类型的图像不能混在一起，要么只用jpeg，要么只用png等。
image=tf.image.decode_jpeg(image_contents,channels=3)step3：数据预处理，对图像进行旋转、缩放、裁剪、归一化等操作，让计算出的模型更健壮。
image=tf.image.resize_image_with_crop_or_pad(image,image_W,image_H)image=tf.image.per_image_standardization(image)4：生成batchimage_batch:4Dtensor[batch_size,width,height,3],dtype=tf.float32label_batch:1Dtensor[batch_size],dtype=tf.int32image_batch,label_batch=tf.train.batch([image,label],batch_size=batch_size,num_threads=32,capacity=capacity)#重新排列label，行数为[batch_size]label_batch=tf.reshape(label_batch,[batch_size])image_batch=tf.cast(image_batch,tf.float32)测试
step1：变量初始化，每批2张图，尺寸208x208，设置好自己的图像路径
BATCH_SIZE=2CAPACITY=256IMG_W=208IMG_H=208train_dir='D:/Study/Python/Projects/Cats_vs_Dogs/data'step2：调用前面的两个函数，生成batch
image_list,label_list=get_files(train_dir)image_batch,label_batch=get_batch(image_list,label_list,IMG_W,IMG_H,BATCH_SIZE,CAPACITY)step3：开启会话session，利用tf.train.Coordinator()和tf.train.start_queue_runners(coord=coord)来监控队列（这里有个问题：官网的start_queue_runners()是有两个参数的，sess和coord，但是在这里加上sess的话会报错）。利用try——except——finally结构来执行队列操作（官网推荐的方法），避免程序卡死什么的。i<2执行两次队列操作，每一次取出2张图放进batch里面，然后imshow出来看看效果。
withtf.Session()assess:i=0coord=tf.train.Coordinator()threads=tf.train.start_queue_runners(coord=coord)try:whilenotcoord.should_stop()andi<2:img,label=sess.run([image_batch,label_batch])#justtestonebatchforjinnp.arange(BATCH_SIZE):print('label:%d'%label[j])plt.imshow(img[j,:,:,:])plt.show()i+=1excepttf.errors.OutOfRangeError:print('done!')finally:coord.request_stop()coord.join(threads)step4：查看结果，会出现4张图，resize的效果感觉不是很好，不知道是什么问题2017.7.10图片不正常是因为生成batch的时候将image转成了浮点型，吧image_batch=tf.cast(image_batch,tf.float32)注释掉后就好了