如果需要使用tensorflow构建自己的图片分类模型，那么最好将图片转换成tfrecord格式的文件。

具体步骤

1.图片准备

①将图片放置到指定的目录下：
图片需要按照文件夹进行分类，文件夹名就是分类的名称，具体可以参考下图：

文件夹中是该分类的图片信息：

2.运行代码转换格式

代码比较简单，官方也给出过样例，这里仅供参考：

#导入相应的模块 import tensorflow as tf import os import random import math import sys #划分验证集训练集 _NUM_TEST = 40 #random seed _RANDOM_SEED = 0 #数据块 _NUM_SHARDS = 2 #数据集路径 DATASET_DIR = 'D:/jupyterworkplace/slim/images/' #标签文件 LABELS_FILENAME = 'D:/jupyterworkplace/slim/images/labels.txt' #定义tfrecord 的路径和名称 def _get_dataset_filename(dataset_dir,split_name,shard_id):     output_filename = 'image_%s_%05d-of-%05d.tfrecord' % (split_name,shard_id,_NUM_SHARDS)     return os.path.join(dataset_dir,output_filename) #判断tfrecord文件是否存在 def _dataset_exists(dataset_dir):     for split_name in ['train','test']:         for shard_id in range(_NUM_SHARDS):             #定义tfrecord的路径名字             output_filename = _get_dataset_filename(dataset_dir,split_name,shard_id)         if not tf.gfile.Exists(output_filename):             return False     return True #获取图片以及分类 def _get_filenames_and_classes(dataset_dir):     #数据目录     directories = []     #分类名称     class_names = []     for filename in os.listdir(dataset_dir):         #合并文件路径         path = os.path.join(dataset_dir,filename)         #判断路径是否是目录         if os.path.isdir(path):             #加入数据目录             directories.append(path)             #加入类别名称             class_names.append(filename)     photo_filenames = []     #循环分类的文件夹     for directory in directories:         for filename in os.listdir(directory):             path = os.path.join(directory,filename)             #将图片加入图片列表中             photo_filenames.append(path)     #返回结果     return photo_filenames ,class_names def int64_feature(values):     if not isinstance(values,(tuple,list)):         values = [values]     return tf.train.Feature(int64_list=tf.train.Int64List(value=values)) def bytes_feature(values):     return tf.train.Feature(bytes_list=tf.train.BytesList(value=[values])) #图片转换城tfexample函数 def image_to_tfexample(image_data,image_format,class_id):     return tf.train.Example(features=tf.train.Features(feature={         'image/encoded': bytes_feature(image_data),         'image/format': bytes_feature(image_format),         'image/class/label': int64_feature(class_id)     })) def write_label_file(labels_to_class_names,dataset_dir,filename=LABELS_FILENAME):     label_filename = os.path.join(dataset_dir,filename)     with tf.gfile.Open(label_filename,'w') as f:         for label in labels_to_class_names:             class_name = labels_to_class_names[label]             f.write('%d:%s\n' % (label, class_name)) #数据转换城tfrecorad格式 def _convert_dataset(split_name,filenames,class_names_to_ids,dataset_dir):     assert split_name in ['train','test']     #计算每个数据块的大小     num_per_shard = int(len(filenames) / _NUM_SHARDS)     with tf.Graph().as_default():         with tf.Session() as sess:             for shard_id in range(_NUM_SHARDS):             #定义tfrecord的路径名字                 output_filename = _get_dataset_filename(dataset_dir,split_name,shard_id)                 with tf.python_io.TFRecordWriter(output_filename) as tfrecord_writer:                     #每个数据块开始的位置                     start_ndx = shard_id * num_per_shard                     #每个数据块结束的位置                     end_ndx = min((shard_id+1) * num_per_shard,len(filenames))                     for i in range(start_ndx,end_ndx):                         try:                             sys.stdout.write('\r>> Converting image %d/%d shard %d '% (i+1,len(filenames),shard_id))                             sys.stdout.flush()                             #读取图片                             image_data = tf.gfile.FastGFile(filenames[i],'b').read()                             #获取图片的类别名称                             #basename获取图片路径最后一个字符串                             #dirname是除了basename之外的前面的字符串路径                             class_name = os.path.basename(os.path.dirname(filenames[i]))                             #获取图片的id                              class_id = class_names_to_ids[class_name]                             #生成tfrecord文件                             example = image_to_tfexample(image_data,b'jpg',class_id)                             #写入数据                             tfrecord_writer.write(example.SerializeToString())                         except IOError  as e:                             print ('could not read:',filenames[1])                             print ('error:' , e)                             print ('skip it \n')     sys.stdout.write('\n')     sys.stdout.flush()  if __name__ == '__main__':     #判断tfrecord文件是否存在     if _dataset_exists(DATASET_DIR):         print ('tfrecord exists')     else:         #获取图片以及分类         photo_filenames,class_names = _get_filenames_and_classes(DATASET_DIR)         #将分类的list转换成dictionary{‘house':3,'flowers:2'}         class_names_to_ids = dict(zip(class_names,range(len(class_names))))         #切分数据为测试训练集         random.seed(_RANDOM_SEED)         random.shuffle(photo_filenames)         training_filenames = photo_filenames[_NUM_TEST:]         testing_filenames = photo_filenames[:_NUM_TEST]         #数据转换         _convert_dataset('train',training_filenames,class_names_to_ids,DATASET_DIR)         _convert_dataset('test',testing_filenames,class_names_to_ids,DATASET_DIR)         #输出lables文件         #与前面的 class_names_to_ids中的元素位置相反{1:'people,2:'flowers'}         labels_to_class_names = dict(zip(range(len(class_names)),class_names))         write_label_file(labels_to_class_names,DATASET_DIR) 

运行这段代码后就可以将图片转换成tfrecord格式的文件。具体的参考下图：

3.遇到的问题

①本人遇到如下报错：
utf-8' codec can't decode byte 0xff in position 0: invalid start byte
出现这种问题绝大部分情况是因为文件不是 UTF8 编码的（例如，可能是 GBK 编码的），而系统默认采用 UTF8 解码。
②解决方法
解决方法是改为对应的解码方式。 具体就是修改源代码中的部分：将'r'改为'rb'。如下所示：

image_data = tf.gfile.FastGFile(filenames[i],'rb').read()