TF-slim是一个新的TensorFlow轻量级高级API，可以用来搭建、训练和验证网络模型，最近由于项目需要，在学习使用该库。dataset库中包含下载标准数据集的代码，下面介绍如何在标准代码的基础上准备自己的数据进行训练。
1. 准备自己的数据
   将要训练和测试的数据分别放在train和test文件夹下，文件夹下是以标签名命名的各子类数据，如下图所示

2.在datasets下创建自己待训练数据的脚本，比如我这里命名为car，则相应的准备car.py 和 download_and_convert_car.py两个脚本。
car.py的脚本和datasets文件夹下的flowers.py等标准数据集脚本一样，只需要更改对应的类别数和样本数。

_FILE_PATTERN = 'car_%s_*.tfrecord'SPLITS_TO_SIZES = {'train': 12973, 'validation': 3200}

_NUM_CLASSES = 3

download_and_convert_car.py和对应的脚本有区别，不需要下载和划分数据，只需要做数据转换即可，下面贴出代码。

#!/usr/bin/env python2# -*- coding: utf-8 -*-"""
Created on Wed May 30 09:53:21 2018

@author: liuli
"""from __future__ import absolute_importfrom __future__ import divisionfrom __future__ import print_functionimport mathimport osimport randomimport sysimport tensorflow as tffrom datasets import dataset_utils# Seed for repeatability._RANDOM_SEED = 0# The number of shards per dataset split._NUM_SHARDS = 5class ImageReader(object):
  """Helper class that provides TensorFlow image coding utilities."""

  def __init__(self):
    # Initializes function that decodes RGB JPEG data.
    self._decode_jpeg_data = tf.placeholder(dtype=tf.string)
    self._decode_jpeg = tf.image.decode_jpeg(self._decode_jpeg_data, channels=3)  def read_image_dims(self, sess, image_data):
    image = self.decode_jpeg(sess, image_data)    return image.shape[0], image.shape[1]  def decode_jpeg(self, sess, image_data):
    image = sess.run(self._decode_jpeg,
                     feed_dict={self._decode_jpeg_data: image_data})    assert len(image.shape) == 3
    assert image.shape[2] == 3
    return imagedef _get_filenames_and_classes(dataset_dir):

  directories = []

  class_names = []  for filename in os.listdir(dataset_dir):
    path = os.path.join(dataset_dir, filename)    if os.path.isdir(path):
      directories.append(path)

      class_names.append(filename)

  photo_filenames = []  for directory in directories:    for filename in os.listdir(directory):
      path = os.path.join(directory, filename)
      photo_filenames.append(path)  return photo_filenames, sorted(class_names)def _get_dataset_filename(dataset_dir, split_name, shard_id):
  output_filename = 'car_%s_%05d-of-%05d.tfrecord' % (
      split_name, shard_id, _NUM_SHARDS)  return os.path.join(dataset_dir, output_filename)def _convert_dataset(split_name, filenames, class_names_to_ids, dataset_dir):
  """Converts the given filenames to a TFRecord dataset.

  Args:
    split_name: The name of the dataset, either 'train' or 'validation'.
    filenames: A list of absolute paths to png or jpg images.
    class_names_to_ids: A dictionary from class names (strings) to ids
      (integers).
    dataset_dir: The directory where the converted datasets are stored.
  """
  assert split_name in ['train', 'validation']

  num_per_shard = int(math.ceil(len(filenames) / float(_NUM_SHARDS)))  with tf.Graph().as_default():
    image_reader = ImageReader()    with tf.Session('') as sess:      for shard_id in range(_NUM_SHARDS):
        output_filename = _get_dataset_filename(
            dataset_dir, split_name, shard_id)        with tf.python_io.TFRecordWriter(output_filename) as tfrecord_writer:
          start_ndx = shard_id * num_per_shard
          end_ndx = min((shard_id+1) * num_per_shard, len(filenames))          for i in range(start_ndx, end_ndx):
            sys.stdout.write('\r>> Converting image %d/%d shard %d' % (
                i+1, len(filenames), shard_id))
            sys.stdout.flush()            # Read the filename:
            image_data = tf.gfile.FastGFile(filenames[i], 'rb').read()
            height, width = image_reader.read_image_dims(sess, image_data)

            class_name = os.path.basename(os.path.dirname(filenames[i]))
            class_id = class_names_to_ids[class_name]

            example = dataset_utils.image_to_tfexample(
                image_data, b'jpg', height, width, class_id)
            tfrecord_writer.write(example.SerializeToString())

  sys.stdout.write('\n')
  sys.stdout.flush()


train_data_dir = '/home/liuli/work/Tensorflow/flower_data/raw-data/train'test_data_dir = '/home/liuli/work/Tensorflow/flower_data/raw-data/validation'def run(dataset_dir):
  """Runs the download and conversion operation.

  Args:
    dataset_dir: The dataset directory where the dataset is stored.
  """

  training_filenames,class_names = _get_filenames_and_classes(train_data_dir)
  class_names_to_ids = dict(zip(class_names, range(len(class_names))))

  random.seed(_RANDOM_SEED)
  random.shuffle(training_filenames)

  validation_filenames,_= _get_filenames_and_classes(test_data_dir)
  random.shuffle(validation_filenames)

  _convert_dataset('train', training_filenames, class_names_to_ids,
                   dataset_dir)

  _convert_dataset('validation', validation_filenames, class_names_to_ids,
                   dataset_dir)

  labels_to_class_names = dict(zip(range(len(class_names)), class_names))
  dataset_utils.write_label_file(labels_to_class_names, dataset_dir)
  print('\nFinished converting the car dataset!')

3.在download_and_convert_data.py 69行main函数中加入dataset_name选择代码

elif FLAGS.dataset_name == 'car':
    download_and_convert_car.run(FLAGS.dataset_dir)

4.在dataset_factory.py的datasets_map中相应插入自己训练数据的键值对

from datasets import carimport osimport tensorflow as tf
slim = tf.contrib.slim

datasets_map = {    'cifar10': cifar10,    'flowers': flowers,    'imagenet': imagenet,    'mnist': mnist,     'car':car
}

5.创建生成数据的脚本

DATASET_DIR=/home/liuli/work/Tensorflow/cars
python download_and_convert_data.py \
    --dataset_name=car \    --dataset_dir=${DATASET_DIR}

就可以在DATASET_DIR文件夹下生成对应的TFrecord格式的数据

原文出处