这是一个常见的用例，大多数实现都使用TensorFlow的 队列 将预处理代码与训练代码分离。有一个有关如何使用队列的教程，但是主要步骤如下：
定义一个队列，q它将缓冲预处理的数据。TensorFlow支持以tf.FIFOQueue排队顺序生成元素的简单方法，以及tf.RandomShuffleQueue以随机顺序生成元素的高级方法。队列元素是一个或多个张量（可以具有不同的类型和形状）的元组。所有队列都支持单元素（enqueue，dequeue）和批处理（enqueue_many，dequeue_many）操作，但是要使用批处理操作，必须在构造队列时在队列元素中指定每个张量的形状。
构建一个子图，将预处理的元素排入队列。一种方法是tf.placeholder()为张量定义一些与单个输入示例对应的操作，然后将它们传递给q.enqueue()。（如果预处理一次生成一批，则应q.enqueue_many()改用。）您也可以在此子图中包括TensorFlow op。
建立执行训练的子图。这看起来像一个普通的TensorFlow图，但是会通过调用来获取其输入q.dequeue_many(BATCH_SIZE)。
开始会话。
创建一个或多个执行预处理逻辑的线程，然后执行入队操作，并输入预处理后的数据。您可能会发现tf.train.Coordinator和tf.train.QueueRunner实用程序类对此有用。
正常运行训练图（优化器等）。
这是一个简单的load_and_enqueue()功能和代码片段，可以帮助您入门：
# Features are length-100 vectors of floats
feature_input = tf.placeholder(tf.float32, shape=[100])
# Labels are scalar integers.
label_input = tf.placeholder(tf.int32, shape=[])
# Alternatively, Could do:
# feature_batch_input = tf.placeholder(tf.float32, shape=[None, 100])
# label_batch_input = tf.placeholder(tf.int32, shape=[None])
q = tf.FIFOQueue(100, [tf.float32, tf.int32], shapes=[[100], []])
enqueue_op = q.enqueue([feature_input, label_input])
# For batch input, do:
# enqueue_op = q.enqueue_many([feature_batch_input, label_batch_input])
feature_batch, label_batch = q.dequeue_many(BATCH_SIZE)
# Build rest of model taking label_batch, feature_batch as input.
# [...]
train_op = ...
sess = tf.Session()
def load_and_enqueue():
with open(...) as feature_file, open(...) as label_file:
while True:
feature_array = numpy.fromfile(feature_file, numpy.float32, 100)
if not feature_array:
return
label_value = numpy.fromfile(feature_file, numpy.int32, 1)[0]
sess.run(enqueue_op, Feed_dict={feature_input: feature_array,
label_input: label_value})
# Start a thread to enqueue data asynchronously, and hide I/O latency.
t = threading.Thread(target=load_and_enqueue)
t.start()
for _ in range(TRAINING_EPOCHS):
sess.run(train_op)
602392714
清零编程群