import os
import tensorflow as tf


# 定义cifar的数据等命令行参数
FLAGS = tf.app.flags.FLAGS
tf.app.flags.DEFINE_string(‘cifar_dir‘,‘./data/cifar10/cifar-10-batches-bin‘,‘文件的目录‘)
tf.app.flags.DEFINE_string(‘cifar_tfrecords‘,‘./tmp/cifar.tfrecords‘,‘存储tfrecords的文件‘)


class CifarRead(object):
    ‘‘‘
    完成读取二进制文件，写进tfrecords,读取tfrecords
    :param object:
    :return:
    ‘‘‘
    def __init__(self,filelist):
        # 文件列表
        self.file_list = filelist

        # 定义读取的图片的一些属性
        self.height = 32
        self.width = 32
        self.channel = 3
        # 二进制文件每张图片的字节
        self.label_bytes = 1
        self.image_bytes = self.height * self.width * self.channel
        self.bytes = self.label_bytes + self.image_bytes

    def read_and_decode(self):
        # 1. 构建文件队列
        file_queue = tf.train.string_input_producer(self.file_list)

        # 2. 构建二进制文件读取器，读取内容，每个样本的字节数
        reader = tf.FixedLengthRecordReader(self.bytes)

        key,value = reader.read(file_queue)

        # 3. 解码内容,二进制文件内容的解码 label_image包含目标值和特征值
        label_image = tf.decode_raw(value,tf.uint8)
        print(label_image)

        # 4.分割出图片和标签数据，特征值和目标值
        label = tf.slice(label_image,[0],[self.label_bytes])

        image = tf.slice(label_image,[self.label_bytes],[self.image_bytes])
        print(‘---->‘)
        print(image)

        # 5. 可以对图片的特征数据进行形状的改变 [3072]-->[32,32,3]
        image_reshape = tf.reshape(image,[self.height,self.width,self.channel])

        print(‘======>‘)
        print(label)
        print(‘======>‘)

        # 6. 批处理数据
        image_batch,label_batch = tf.train.batch([image_reshape,label],batch_size=10,num_threads=1,capacity=10)

        print(image_batch,label_batch)

        return image_batch,label_batch
    def write_ro_tfrecords(self,image_batch,label_batch):
        ‘‘‘
        将图片的特征值和目标值存进tfrecords
        :param image_batch: 10张图片的特征值
        :param label_batch: 10张图片的目标值
        :return: None
        ‘‘‘
        # 1.建立TFRecord存储器
        writer = tf.python_io.TFRecordWriter(FLAGS.cifar_tfrecords)

        # 2. 循环将所有样本写入文件，每张图片样本都要构造example协议
        for i in range(10):
            # 取出第i个图片数据的特征值和目标值
            image = image_batch[i].eval().tostring()

            label = int(label_batch[i].eval()[0])


            # 构造一个样本的example
            example = tf.train.Example(features=tf.train.Features(feature={
                ‘image‘:tf.train.Feature(bytes_list=tf.train.BytesList(value=[image])),
                ‘label‘:tf.train.Feature(int64_list=tf.train.Int64List(value=[label])),
            }))


            # 写入单独的样本
            writer.write(example.SerializeToString())

        # 关闭
        writer.close()
        return None

if __name__ == ‘__main__‘:
    # 找到文件，构建列表  路径+名字  ->列表当中
    file_name = os.listdir(FLAGS.cifar_dir)

    # 拼接路径 重新组成列表
    filelist = [os.path.join(FLAGS.cifar_dir,file) for file in file_name if file[-3:] == ‘bin‘]

    # 调用函数传参
    cf = CifarRead(filelist)
    image_batch,label_batch = cf.read_and_decode()

    # 开启会话
    with tf.Session() as sess:
        # 定义一个线程协调器
        coord = tf.train.Coordinator()

        # 开启读文件的线程
        threads = tf.train.start_queue_runners(sess,coord=coord)

        # 存进tfrecords文件
        print(‘开始存储‘)
        cf.write_ro_tfrecords(image_batch,label_batch)
        print(‘结束存储‘)
        # 打印读取的内容
        # print(sess.run([image_batch,label_batch]))

        # 回收子线程
        coord.request_stop()

        coord.join(threads)