我有一个包含35,000多张图片的数据集，这些图片都放在一个文件夹里。我如何使用Python将这些图片转换成train_images数组，以便将其输入到TensorFlow深度学习模型中？

回答：

方法1（简单但不推荐）

使用numpy、PIL或opencv加载你的数据，并使用占位符将其输入到你的网络中。这意味着你的数据足够小，可以装进内存。示例代码如下所示：

import globimport cv2import numpy as npimport tensorflow as tfdata = []for i in glob.glob('path/to/my/data/**/*.png', recursive=True):    data.append(cv2.imread(i))data = np.stack(data) # 形状为[num_images, height, width, channel]的数组def get_batch(data, batch_size):    data_size = data.shape[0]    indexes = list(range(data_size))    np.random.shuffle(indexes)    for i in range(0, data_size, batch_size):        yield data[indexes[i:i+batch_size]]images = tf.placeholder(tf.float32, [None, height, width, channel])my_net = build_network(images)...for epoch in range(max_epochs):    for batch_images in get_batch(data, batch_size):        sess.run(train_op, feed_dict={images: batch_images})

方法2（更复杂但扩展性更好）

你应该从你的数据中创建TF Records，并使用TensorFlow的队列机制和数据集API，而不是使用占位符。