课程：使用Tensorflow来创建自己的神经网络
作为Tensorflow的入门第一课，我想先来讲一下如何创建一个用于数据训练的队列。 通过这个简单例子，同时也会向大家展现Tensorflow的工作方式，这与我们以往接触的编程架构都很不一样，也让很多刚入门的小伙伴非常困惑。
Tensorflow编程套路
在进入主题之前，先简单讲一下Tensorflow的编程套路，这个和其他组件还是有很大区别的。Tensorflow的编程要分两步走。
第一步，Tensorflow要求定义一个Graph()对象,，这Graph就好比一张空白的画纸，你可以在上面写下你需要的Tensorflow运算操作。比如在Graph里写下代码 sum = tf.add(A, B) 时你只是定义了一个运算步骤，返回值sum代表的是tf.add这个运算，而不是运算结果。
第二步，建立运算Session对象，并在Session内通过调用Session.run()方法来执行之前定义的运算。比例，在Graph里已经定义了sum = tf.add(A, B)，此时就可以调用sum_value = Session.run([sum]) 来真正执行运算，而run方法的返回值才是真正的运算结果。
下面给出了一最个简单的Tensorflow结构框架，初学者可以套用这个框架来编写你自己的代码。
With tf.Graph() as default:
…
定义Tensorflow运算
…
With tf.Session() as sess:
…
调用Session.run() 执行运算
…
任务描述
接下来让我们进入到今天的主题，我们的目标是要生成一组图像和标签一一对应的训练数据，其中图像是一个5x5像素大小的图片。并且我们可以定义每个训练批次使用的数据样本个数 - n。即获得两个Tensor对象：
-
image_batch：n张图片的列表
-
label_batch：n个标签数据的列表
并且image_batch和label_batch的顺序是一致的，即label_batch里的第一个标签是image_batch里的第一个图像的标签， 以此类推。在本文的最后我将给出完整的代码。
生成随机数据
让我来先生成一些数据，以下代码定义了一个名为generate_data()的方法来生成一批数据。
def generate_data():
num = 5
label = np.asarray(range(0, num))
print('generate_data:'+str(label))
images = np.random.random([num, 5, 5, 3])
print('label size :{}, image size {}'.format(label.shape, images.shape))
return label, images生成的数据结构为5组图像（image）和标签（label）相对应的数组，图像的尺寸是5x5，每个像素点分别有R，G，B三个像素数据组成（如图一）。而对应于每一幅图片，还会生成一个数据标签，这个数据标签是按照0到4顺序生成的，也就是第一张图的标签是0， 第二张是1， 而最后一张即第五张是4 （如图二）。图像和标签各种生成队列并返回。
创建一个Tensorflow数据队列
我们定义一个get_batch_data()的方法来创建一个Tensorflow数据队列。 这里调用了3个Tensorflow的运算， 分别是tf.cast，tf.train.slice_input_producer和tf.train.batch。正如前文所说，这里调用这些方法仅仅是描述出Tensorflow运算的步骤，而没有进行实际的运算。下面我们来详细讲述这些Tensorflow运算究竟是什么含义。
def get_batch_data():
labels, images = generate_data()
labels = tf.cast(label, tf.int32)
images = tf.cast(images, tf.float32)
input_queue = tf.train.slice_input_producer([images, label], shuffle=False)
image_batch, label_batch = tf.train.batch(input_queue, batch_size=3, \
num_threads=1, capacity=64, min_after_dequeue=5)
return image_batch, label_batch
该方法首先调用我们之前的generate_data()方法来获取label列表和images列表，并且使用tf.cast方法将起数据类型分别转换成 int32和float32。
然后调用了tf.train.slice_input_producer()方法来切割刚才的images列表和label列表，生成一个image和一个label为一组的数据组列表，并且将其压入队列返回以备用（见图三）。为什么要做这步处理了？因为这样的数据结构是tf.train.batch方法的输入参数要求的。
最后使用tf.train.batch()方法，将之前生成的数据队列作为参数传递给它，并且通过batch_size来指定每个批次的元素个数。它的返回值个数是根据你传给他的数据队列里第1维的（Tensor维度从0开始算）的维度决定的。
建立运算图并执行运算
先来看一下完整代码，这段代码使用了在第一章里描述的框架。
with tf.Graph()as_default(): #创建一个Graph对象并作为默认的Graph
#调用之前定义的get_batch_data()方法获得两个tensor算符
image_batch, label_batch = get_batch_data()
#至此的运算图定义完毕，开启一个Session来执行运算
with tf.Session() as sess:
#创建一个tf.train.Coordinator对象来协调不同线程使用队列
coord = tf.train.Coordinator()
#启动队列
threads = tf.train.start_queue_runners(sess, coord)
i = 0
try:
#如果队列应当停止或计数大于5次则结束
while (not coord.should_stop()) and i < 5:
#调用Session对象的run()方法执行之前在Graph里定义的算符
#并返回指定大小的一批数据
image_batch_v, label_batch_v = sess.run([image_batch, \
label_batch])
print(' ')
print('batch' + str(i)+'---------------------------')
print('image_batch_v:'+str(image_batch_v))
print('label_batch_v:'+str(label_batch_v))
i += 1
#判断是否超出队列数据范围， 如果超出则显示完成
except tf.errors.OutOfRangeError:
print('done')
#最终退出前停止队列
finally:
coord.request_stop()
coord.join(threads)代码详解
1. 定义运算图
第一行代码定义了一个tf.Graph对象并设为当前默认Graph。 接下来调用之前定义的get_batch_data ()获得两个tensorflow算子image_batch, label_batch。这里要强调的是，行代码并没有真正返回实际的数据，仅仅需要执行的tensorflow运算。
接下来创建了一个Session对象并将它作为当前Session。然后启动之前定义好的队列，启动队列的方式如下：
#创建一个tf.train.Coordinator对象来协调不同线程使用队列
coord = tf.train.Coordinator()
#启动队列
threads = tf.train.start_queue_runners(sess, coord)-
先创建一个Coordinator对象，这是用来协调多线程中的队列的，对我们这个例子来说，仅有一个线程在获取数据，所以并没有什么用。但是，由于对于Tensorflow编程来说，多线程是非常见的，所以为了培养良好的编程习惯，我会建议大家保留这个对象定义以便将来的程序扩展。
-
接下来我们就调用start_queue_runners()方法来启动队列。该方法有两个参数，一个是指定一个有效的Session，另外一个是指定他所使用的Coordinator对象。这两个参数都是可选参数。如果不指定Session的话，程序就会使用当前默认Session。
2. 确定运算执行的次数
我们着这里定义了一个while循环来监测队列的状态以及循环的次数。当Coordinator的should_stop()方法返回False时，或者计数器i大于5时，结束运算。关于Coordinator的should_stop()方法是如何来判断队列是否该继续运行，这一点Tensorflow官方文档写的似乎不是很明白，但这是官方推荐的判读队列是否有效的方法。
3. 执行运算
在tf.Session对象里，我们可以使用Session的run的方法来执行运算并获得运算结果。run方法的参数是将之前定义的运算符以一组tensor的形式传递给它，而该方法的返回值即运算结果，按照你传入参数的顺序返回。比如我们将我们之前定义的两个运算[image_batch, label_batch]使用[ ]将其组合成一个tensor变量传递给run， 而他的返回值就是运行该运算获得的结果，返回值的顺序是和你传入的运算符在tensor变量里的排序是一致的， image队列在前，label队列在后。
实际上image_batch和label_batch是指向同一组tensorflow的运算的，只是返回的结果集不同。如果我们把代码改成如下形式，实际上运算的过程是相同的，只是返回值仅有image列表，没有label列表。
4. 捕获异常
一般在进行队列操作时，我们会使用try来捕获异常错误。如一下这段代码，我们使用try捕获OutOfRangeError异常从而来监测数据队列是否已经被清空，当数据队列被清空时则打印出“Done”表示已经到达数据队列的末尾了。实际上对于我们上面这段程序而已，由于generate_data()方法会一直产生随机数据，所以队列始终不会为空。最终，在程序退出前使用Coordinator 对象的request_stop来停止数据请求。
5. 运行结果
数据生成后，我们使用print方法将它打印出来， 方便大家直观的看到程序运行的结果。我们要求每批次返回3组数据，一共执行5个批次。返回的每个批次数据分别是3个5x5x3的图像和其对应的标签数组。为便于理解，这里只给image的结构如下（图四）。
完整源码
Github 源码： https://github.com/deechean/Using-Tensorflow-to-create-your-own-neural-network-samples
import Tensorflow as tf
import Numpy as np
def generate_data():
num = 5
label = np.asarray(range(0, num))
print('generate_data:'+str(label))
images = np.random.random([num, 5, 5, 3])
print('label size :{}, image size {}'.format(label.shape, \
images.shape))
return label, images
def get_batch_data():
labels, images = generate_data()
labels = tf.cast(label, tf.int32)
images = tf.cast(images, tf.float32)
input_queue = tf.train.slice_input_producer([images, label], \
shuffle=False)
image_batch, label_batch = tf.train.batch(input_queue, \
batch_size=3, num_threads=1, capacity=64, \
min_after_dequeue=5)
return image_batch, label_batch
with tf.Graph()as_default():
image_batch, label_batch = get_batch_data()
with tf.Session() as sess:
coord = tf.train.Coordinator()
threads = tf.train.start_queue_runners(sess, coord)
i = 0
try:
while (not coord.should_stop()) and i < 5:
image_batch_v, label_batch_v = sess.run([image_batch, \
label_batch])
print(' ')
print('batch' + str(i)+'---------------------------')
print('image_batch_v:'+str(image_batch_v))
print('label_batch_v:'+str(label_batch_v))
i += 1
except tf.errors.OutOfRangeError:
print('done')
finally:
coord.request_stop()
coord.join(threads)