def get_batch(image, label, image_W, image_H, batch_size, capacity):
image = tf.cast(image, tf.string)
label = tf.cast(label, tf.int32)
#生成列队
input_queue = tf.train.slice_input_producer([image, label])
label = input_queue[1]
image_contents = tf.read_file(input_queue[0])
image = tf.image.decode_jpeg(image_contents, channels=3)
image = tf.image.resize_image_with_crop_or_pad(image, image_W, image_H)
a = tf.reduce_mean(image)
image = tf.subtract(image,a)
image_batch, label_batch = tf.train.batch([image, label],
batch_size= batch_size,
num_threads= 16,
capacity = capacity)
label_batch = tf.reshape(label_batch, [batch_size])
image_batch = tf.cast(image_batch, tf.float32)
return image_batch, label_batch sess.run(tf.global_variables_initializer())
coord = tf.train.Coordinator()
threads = tf.train.start_queue_runners(sess=sess, coord=coord)
try:
for step in np.arange(MAX_STEP):
if coord.should_stop():
break
………………
………………
………………
finally:
# 使用tf.train.Coordinator来停止所有线程
coord.request_stop()
coord.join(threads)
sess.close()tensorflow数据的读取形式：
使用一个线程将硬盘中的图片数据读入到一个队列中，另一个线程负责计算任务，所需数据直接从该队列中获取。
存入列队的函数：
input_queue = tf.train.slice_input_producer(tensor_list, num_epochs=None, shuffle=True,seed=None,
capacity=capacity, shared_name=None, name=None)
'''
tensor_list:输入的tensor列表
num_epochs:可选参数，是一个整数值，代表迭代的次数，如果设置None,生成器可以无限次遍历tensor列表，如果设置为 num_epochs=N，生成器只能遍历tensor列表N次。
shuffle:bool类型，设置是否打乱样本的顺序
seed:可选的整数，是生成随机数的种子
capacity:设置tensor列表的容量
share_name:可选参数，如果设置一个‘shared_name’，则在不同的上下文环境（Session）中可以通过这个名字共享生成的tensor
name:操作的名称
'''
在得到列队后，再调用tf.train.start_queue_runners 函数来启动执行文件名队列填充的线程，之后计算单元才可以把数据读出来。
但在此之前，需要先调用 tf.train.Coordinator() 来创建一个线程协调器，用来管理之后在Session中启动的所有线程。
tf.train.start_queue_runners()
启动入队线程，这之后才能读取数据到用于之后的计算。
image_batch, label_batch = tf.train.batch(tensors, batch_size, num_threads=1,
capacity=capacity,enqueue_many=False, shapes=None,
dynamic_pad=False,allow_smaller_final_batch=False,
shared_name=None, name=None)
'''
tensors：tensor序列或tensor字典，可以是含有单个样本的序列
batch_size: 生成的batch的大小
num_threads：执行tensor入队操作的线程数量，可以设置使用多个线程同时并行执行
capacity： 定义生成的tensor序列的最大容量
enqueue_many： 定义第一个传入参数tensors是多个tensor组成的序列，还是单个tensor
shapes： 可选参数，默认是推测出的传入的tensor的形状
dynamic_pad： 定义是否允许输入的tensors具有不同的形状，设置为True，会把输入的具有不同形状的tensor归一化到相同的形状
allow_smaller_final_batch： 设置为True，表示在tensor队列中剩下的tensor数量不够一个batch_size的情况下，允许最后一个batch的数量少于batch_size， 设置为False，则不管什么情况下，生成的batch都拥有batch_size个样本
shared_name： 可选参数，设置生成的tensor序列在不同的Session中的共享名称
name： 操作的名称
'''如果tf.train.batch的第一个参数 tensors 传入的是tenor列表或者字典，返回的是tensor列表或字典，如果传入的是只含有一个元素的列表，返回的是单个的tensor，而不是一个列表。