import os
import random # 后续用来将数据随机打乱和生成确定随机种子，保证每次生成的随机数据一样便于测试模型精准度

def _get_img_info(rng_seed,split_n,mode):
    image_path_list = [] #用来存放图片的路径
    label_path_list = [] #用来存放图片对应的标签
    data_dir = r'C:UsersfutiangeDesktopZero to Heroexpression_test
aw_data' 
    for root,dirs,files in os.walk(data_dir):
        for file in files:
            path_file = os.path.join(root,file)
            print(path_file)
            if path_file.endswith(".jpg"): #判断该路径下文件是不是以.jpg结尾
                #print(os.path.basename(root)) #输出图片路径
                #print(os.path.basename(root)[0]) #输出该图片所在的文件夹的第一个字符，我这里文件夹的第一个字符就是图片的标签，测试时可以根据自己的文件夹名称更改
                #print(int(os.path.basename(root)[0]))
                image_path_list.append(path_file) #将图片路径加入列表
                label_path_list.append(os.path.basename(root)[0]) #根据文件夹名称确定标签，并加入列表
    data_info = [[n,l] for n,l in zip(image_path_list,label_path_list)] #将图片路径-标签 关联起来
    random.seed(rng_seed) # 该方法中传入参数，确保每次生成的种子都是一样的
    random.shuffle(data_info) #上一行代码生成的种子是确定的，保证了每次将列表元素打乱后的结果一样，便于测试模型性能
    split_idx = int(len(data_info) * split_n) # data_len * 0.9 # split_n代表数据集划分的比例
    if mode == 'train':
        img_set = data_info[:split_idx] 
    elif mode == 'val':
        img_set = data_info[split_idx:]
    else:
        raise Exception("mode 无法识别，仅支持(train,valid)")
    return img_set #返回随机打乱后的数据集，后续在对其进行格式化即可将数据集加载进模型测试
if __name__ == '__main__':
    _get_img_info(1,0.9,'train')