### 加载本地磁盘中的图片集到TensorFlow数据集 为了将位于本地磁盘上文件名为‘标签’的图片集合加载至TensorFlow的数据集中，可以采用`tf.data.Dataset.list_files()`函数来创建一个包含所有匹配路径字符串模式下文件名列表的数据集对象。之后通过映射操作处理这些图像文件，将其解码成张量形式以便于后续模型训练过程调用。 ```python import tensorflow as tf from PIL import Image import os def load_and_preprocess_image(path, label): image = tf.io.read_file(path) image = tf.image.decode_jpeg(image, channels=3) # 假设所有的图像是JPEG格式，并且是彩色三通道 image = tf.image.resize(image, [256, 256]) # 调整大小以适应特定输入尺寸的要求 image /= 255.0 # 归一化像素值范围为[0., 1.]之间 return image, label image_paths = [] labels = [] for root, dirs, files in os.walk('path_to_images'): # 替换为你自己的图片目录路径 for file_name in files: if file_name.endswith('.jpg') or file_name.endswith('.png'): path = os.path.join(root, file_name) label = int(file_name.split('.')[0]) # 这里假设文件名即代表其类别编号 image_paths.append(path) labels.append(label) dataset = tf.data.Dataset.from_tensor_slices((image_paths, labels)) dataset = dataset.map(load_and_preprocess_image).batch(32) # 验证部分样本 for images, labels in dataset.take(1): # 打印第一个批次的内容查看效果 print(images.shape, labels.numpy()) ``` 此段代码实现了从指定位置读取带有标签名称作为分类依据的一系列图片文件，并经过一系列预处理步骤转换成为适合喂入深度学习框架的形式。这里使用了`os.walk`遍历目标文件夹下的所有子文件夹及其内部项；对于每一个符合条件（如.jpg或.png结尾）的项目，则尝试解析出对应的类标号并记录下来形成配对关系。最后借助`tf.data.Dataset`接口完成整个流程封装[^3]。