tensorflow批量读取图片文件并转换为张量

可以使用TensorFlow中的`tf.data.Dataset` API来批量读取和预处理图片数据。

以下是一个示例代码，假设要读取目录中所有的JPEG图像文件：

import tensorflow as tf

# 定义一些常量
IMAGE_SIZE = 224
BATCH_SIZE = 32
NUM_CLASSES = 10
NUM_EPOCHS = 10

# 构建数据集
def parse_fn(filename, label):
    # 读取图片数据
    image_string = tf.io.read_file(filename)
    image = tf.image.decode_jpeg(image_string, channels=3)
    # 调整图片大小
    image = tf.image.resize(image, [IMAGE_SIZE, IMAGE_SIZE])
    # 数据增强
    image = tf.image.random_flip_left_right(image)
    image = tf.image.random_brightness(image, max_delta=0.2)
    image = tf.image.random_contrast(image, lower=0.2, upper=1.8)
    # 转换为张量
    image = tf.keras.applications.resnet50.preprocess_input(image)
    return image, label

# 读取图片路径和标签信息
image_paths = [...] # 图片路径列表
labels = [...] # 标签列表

# 构建数据集
ds = tf.data.Dataset.from_tensor_slices((image_paths, labels))
ds = ds.map(parse_fn)
ds = ds.shuffle(buffer_size=len(image_paths))
ds = ds.batch(BATCH_SIZE)
ds = ds.prefetch(tf.data.experimental.AUTOTUNE)

# 构建模型
model = tf.keras.applications.ResNet50(input_shape=(IMAGE_SIZE, IMAGE_SIZE, 3),
                                      weights=None,
                                      classes=NUM_CLASSES)

# 编译模型
model.compile(optimizer='adam',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

# 训练模型
model.fit(ds, epochs=NUM_EPOCHS)

在上述代码中，`parse_fn`函数用于对每个图片文件进行预处理和转换为张量。`tf.data.Dataset.from_tensor_slices`函数用于将图片路径和标签信息组成一个元组，然后通过`map`函数将每个元组转换为对应的图片张量和标签。最后，通过`shuffle`、`batch`和`prefetch`函数将数据集随机打乱、分批次处理和提前加载。

注意，上述代码中使用了`tf.keras.applications.resnet50.preprocess_input`函数对图片进行了预处理，这是为了将图片数据转换为ResNet50模型所需的格式。如果你使用的是其他的模型，可能需要使用不同的预处理方式。