针对tfrecords数据集，标签和图片读取不一致问题。

前一段时间，训练2分类深度网络时，loss一直维持在2.3左右。在网上看了很多博客，最后从这篇博客中找到了，解决的方法。具体的不详细说了，可以参考那篇博客。我按照上面的提到问题，仔细检测自己的网络，发现可能是我的数据集中的图片和标签不一致所造成。

我的数据集是tfrecords格式的二进制文件（前提：确保制作数据集的图片不存在问题，不然读取时会报错。），我制作代码如下：

import glob
import tensorflow as tf
from PIL import Image
import numpy as np
import random

num=0
bestnum=5000   
recordfilenum=0
filenames=[]
for filename in glob.glob('./data/PetImages/Cat/*.jpg')[2500:3000]:
    tmp=[]
    tmp.append(filename)
    tmp.append(0)
    filenames.append(tmp)
for filename in glob.glob('./data/PetImages/Dog/*.jpg')[2500:3000]:
    tmp=[]
    tmp.append(filename)
    tmp.append(1)
    filenames.append(tmp)
   
random.shuffle(filenames)

for filename in filenames:           
    if not num % bestnum:    #超过1000，写入下一个tfrecord        
        recordfilenum += 1
        ftrecordfilename = ("valpetdata.tfrecords_%.3d" % recordfilenum)
        writer = tf.python_io.TFRecordWriter(os.path.join('./data',ftrecordfilename))
    num = num + 1
    img = Image.open(filename[0], 'r')    
    img = img.resize([224,224],Image.ANTIALIAS)
    img_raw = img.tobytes()  # 将图片转化为二进制格式
    example = tf.train.Example(
    features=tf.train.Features(feature={
        'label': tf.train.Feature(int64_list=tf.train.Int64List(value[filename[1]])),
        'img_raw': tf.train.Feature(bytes_list=tf.train.BytesList(value=[img_raw])),
    }))
    writer.write(example.SerializeToString())  # 序列化为字符串    
print('制作完成！！！！！')
writer.close()

通过上面的代码，成功的制作了tfrecords文件，通过以下代码，读取数据集（这段代码是问题代码）：

# -*- coding: utf-8 -*-

import tensorflow as tf
from PIL import Image
import matplotlib.pyplot as plt

def read_and_decode_tfrecord(filename):
    filename_deque = tf.train.string_input_producer(filename)    
    reader = tf.TFRecordReader()
    _, serialized_example = reader.read(filename_deque)
    features = tf.parse_single_example(serialized_example, features={
        'label': tf.FixedLenFeature([], tf.int64),
        'img_raw': tf.FixedLenFeature([], tf.string)})
    
    label = tf.cast(features['label'], tf.int32)
    img = tf.decode_raw(features['img_raw'], tf.uint8)
    img = tf.reshape(img, [224, 224, 3])   
    img = tf.cast(img, tf.float32) / 255.0
    return img, label

val_list = ['./data/trpetdata.tfrecords_001']
valimg, vallabel = read_and_decode_tfrecord(val_list)
img,label = tf.train.batch([valimg, vallabel ], batch_size=64, capacity=500)

#img_batch, label_batch =tf.train.shuffle_batch([img, label], batch_size=128, #capacity=3500,min_after_dequeue=1000)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    # 创建一个协调器，管理线程
    coord = tf.train.Coordinator()
    # 启动QueueRunner,此时文件名队列已经进队
    threads = tf.train.start_queue_runners(sess=sess, coord=coord)
    tf.train.start_queue_runners(sess)
    for i in range(120):
        print('第%d次：'%i,label.eval()[0])
        plt.imshow(img.eval()[0])
        plt.axis('off')
        plt.show()
    coord.request_stop()
    coord.join(threads)

通过上面代码，会发现有时候标签类型和图片对应不上（前提是制作数据集时，标签和图片是一一对应）。咨询了别人，发现存在的问题：tfrecords格式的数据集，要同时读取图片和标签，才能保证图片和标签一一对应。根据问题，修改读取代码：

val_list = ['./data/trpetdata.tfrecords_001']
valimg, vallabel = read_and_decode_tfrecord(val_list)
img,label = tf.train.batch([valimg, vallabel ], batch_size=64, capacity=500)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    # 创建一个协调器，管理线程
    coord = tf.train.Coordinator()
    # 启动QueueRunner,此时文件名队列已经进队
    threads = tf.train.start_queue_runners(sess=sess, coord=coord)
    tf.train.start_queue_runners(sess)
    for i in range(120):
        md_img,md_label=sess.run([img,label])
        print('第%d次：'%i,md_label[0])
        plt.imshow(md_img[0])
        plt.axis('off')
        plt.show()
    coord.request_stop()
    coord.join(threads)

这样读取的图片和标签也就一一对应了。