关于

很多时候我们学习tensorflow或者其他deeplearning的课程的时候，我们都被牵着鼻子走，使用一些捏造出来的数据，苦于不能处理我们自己。所以我们今天来尝试一下怎么加载自己的图片数据，将图片数据转换成我们通常学习的数组数据，便于应用我们学习到的深度学习的知识。

我们需要使用的库有os、np、cv2、pickle 等。

代码

import numpy as np 
import matplotlib.pyplot as plt
import os
import cv2
import random
import pickle

DATADIR = "./Datasets/PetImages"
CATEGORIES = ['Cat','Dog']
IMG_SIZE = 50  #将size设置为50可以识别出物体 又降低了数组大小

training_data = []

def create_training_data():
    for category in CATEGORIES:
        path = os.path.join(DATADIR, category) # path to cats or dogs dir  
        class_num = CATEGORIES.index(category)   #0 is cat , 1 is dog 
        for  img in os.listdir(path):
            try:
                img_array = cv2.imread(os.path.join(path,img), cv2.IMREAD_GRAYSCALE)   #将图片数据转换为数组 因为颜色并不影响识别所以采用IMREAD_GRAYSCALE
                new_array = cv2.resize(img_array, (IMG_SIZE,IMG_SIZE))
                training_data.append([new_array,class_num])
            except Exception as e:
                pass

create_training_data()
random.shuffle(training_data) #将所有数据进行随机排序有助于提高训练识别水平


X_temp = []
y = []

for feature,label in training_data:     #分离图片数据和标签信息
    X_temp.append(feature)
    y.append(label)

X = np.array(X_temp).reshape(-1,IMG_SIZE,IMG_SIZE,1)


#保存数据 以供下次调用或者其他程序调用
pickle_out = open('X.pickle',"wb")
pickle.dump(X,pickle_out)
pickle_out.close()

pickle_out = open('y.pickle',"wb")
pickle.dump(y,pickle_out)
pickle_out.close()

#加载数据举例
pickle_in = open("X.pickle","rb")
X = pickle.load(pickle_in)

来源： [sentdex](https://pythonprogramming.net/loading-custom-data-deep-learning-python-tensorflow-keras/)