cifar10資料集檔案結構如圖所示，其中data_batch_1~5.bin是訓練集，每個檔案包含10000個樣本，test_batch.bin是測試集，包含10000個樣本。
開啟任意乙個檔案，發現是一堆二進位制資料，
其中乙個樣本由3037個位元組組成，其中第乙個位元組是label，剩餘3036(32*32*3)個位元組是image，每個檔案由連續的10000個樣本組成，具體的讀取過程參考下面**及注釋。
#獲取image和label
defget_input
():#檔名佇列
filenames = tf.train.match_filenames_once(data_dir+'/data_batch_*')
filename_queue = tf.train.string_input_producer(filenames)
#cifar10的資料格式：
#乙個樣本由3037個位元組組成，其中第乙個位元組是label，剩餘3036(32*32*3)個位元組是image
#每個檔案由連續的10000個樣本組成，共5個檔案
image_bytes = image_size * image_size * image_depth
record_bytes = image_bytes + label_bytes
#使用fixedlengthrecordreader讀取樣本，每次讀取乙個
reader = tf.fixedlengthrecordreader(record_bytes=record_bytes)
#獲取樣本的值
_,value = reader.read(filename_queue)
#讀出來的樣本為二進位制的字串格式，轉化為uint8的格式
raw_value = tf.decode_raw(value,tf.uint8)
#劃分label和image
labels = tf.cast(tf.strided_slice(raw_value,[0],[1]),tf.int32)
#由於image是按照(depth,height,width)的格式儲存的，因此讀出來後還要將其轉化為(height,width,depth)的格式
images = tf.reshape(
tf.strided_slice(raw_value,[label_bytes],[label_bytes+image_bytes]),
[image_depth,image_size,image_size]
)images = tf.transpose(images,[1,2,0])
images = tf.cast(images,tf.float32)
#資料型別：label是int32，image是範圍為0-1的float32
#標準化處理：減去平均值並除以方差，使得樣本均值為0，方差為1
standard_images = tf.image.per_image_standardization(images)
#官方bug，得加上
standard_images.set_shape([resize_size,resize_size,3])
labels.set_shape([1])
return standard_images,labels
CIFAR 10資料集讀取
參考 1 使用讀取方式pickle def unpickle file import pickle with open file,rb as fo dict pickle.load fo,encoding bytes return dict 返回的是乙個python字典 2 通過字典的內建函式，獲取...
資料集處理 CIFAR10
transform transforms.compose transforms.totensor transforms.normalize 0.5,0.5,0.5 0.5,0.5,0.5 trainset torchvision.datasets.cifar10 root cifar10 train...
讀取和歸一化CIFAR10
讀取和歸一化cifar10 torchvision.datasets.cifar10 root,train true,transform none,target transform none,download false 引數說明 root cifar 10 batches py 的根目錄 trai...