tensorflow中关于队列使用的实验

Queue:

队列本身也是图中的一个节点。其他节点（enqueue, dequeue）可以修改队列节点中的内容。

#-*- coding:utf-8 -*-
import tensorflow as tf

#创建的图:一个先入先出队列,以及初始化,出队,+1,入队操作
q = tf.FIFOQueue(3, "float")
init = q.enqueue_many(([0.1, 0.2, 0.3],))
x = q.dequeue()
y = x + 1
q_inc = q.enqueue([y])

#开启一个session,session是会话,会话的潜在含义是状态保持,各种tensor的状态保持
with tf.Session() as sess:
        sess.run(init)

        for i in range(2):
                sess.run(q_inc)

        quelen =  sess.run(q.size())
        for i in range(quelen):
                print (sess.run(q.dequeue()))

queueRunner

之前的例子中，入队操作都在主线程中进行,Session中可以多个线程一起运行。 在数据输入的应用场景中，入队操作从硬盘上读取,入队操作是从硬盘中读取输入，放到内存当中，速度较慢。 使用QueueRunner可以创建一系列新的线程进行入队操作，让主线程继续使用数据。如果在训练神经网络的场景中，就是训练网络和读取数据是异步的，主线程在训练网络，另一个线程在将数据从硬盘读入内存。

例子1：

#-*- coding:utf-8 -*-
import tensorflow as tf
import sys
#创建稍微复杂一点的队列作为例子
q = tf.FIFOQueue(1000,"float")
#计数器
counter = tf.Variable(0.0)
#操作:给计数器加一
increment_op = tf.assign_add(counter,tf.constant(1.0))
#操作:将计数器加入队列
enqueue_op = q.enqueue(counter)

#创建一个队列管理器QueueRunner，用这两个操作向q中添加元素。目前我们只使用一个线程:
qr = tf.train.QueueRunner(q,enqueue_ops=[increment_op,enqueue_op]*1)


#从队列管理器中创建线程，并启动:
#主线程
with tf.Session() as sess:
        sess.run(tf.initialize_all_variables())
        enqueue_threads = qr.create_threads(sess, start=True)  # 启动入队线程
        #主线程
        for i in range(10):
                print "----------------------:"
                print (sess.run(q.dequeue()))

说明：能正确输出结果，但是最后会报错，ERROR:tensorflow:Exception in QueueRunner: Attempted to use a closed Session.ERROR:tensorflow:Exception in QueueRunner: Session has been closed.也就是说,当循环结束后,该Session就会自动关闭，相当于main函数已经结束了

例子2：

#-*- coding:utf-8 -*-
import tensorflow as tf
import sys
#创建稍微复杂一点的队列作为例子
q = tf.FIFOQueue(1000,"float")
#计数器
counter = tf.Variable(0.0)
#操作:给计数器加一
increment_op = tf.assign_add(counter,tf.constant(1.0))
#操作:将计数器加入队列
enqueue_op = q.enqueue(counter)

#创建一个队列管理器QueueRunner，用这两个操作向q中添加元素。目前我们只使用一个线程:
qr = tf.train.QueueRunner(q,enqueue_ops=[increment_op,enqueue_op]*1)

# 主线程
sess = tf.Session()
sess.run(tf.initialize_all_variables())

enqueue_threads = qr.create_threads(sess, start=True)  # 启动入队线程

# 主线程
for i in range(0, 10):
    print(sess.run(q.dequeue()))

说明:例子2中不使用with tf.Session,那么Session就不会自动关闭，输出的结果是3.0
6.0
9.0
13.0

并不是我们设想的1,2,3,4,本质原因是+1操作和入队操作不同步，可能+1操作执行了很多次之后，才会进行一次入队操作.并且出队结束后，本应程序要结束，但是因为入队线程没有显示结束，所以，整个程序就跟挂起一样，也结束不了。

经验：因为tensorflow是在图上进行计算，要驱动一张图进行计算，必须要送入数据，如果说数据没有送进去，那么sess.run()，就无法执行，tf也不会主动报错，提示没有数据送进去，其实tf也不能主动报错，因为tf的训练过程和读取数据的过程其实是异步的。tf会一直挂起，等待数据准备好。现象就是tf的程序不报错，但是一直不动，跟挂起类似。 

例子如下:

#-*- coding:utf-8 -*-
import tensorflow as tf
import sys
#创建稍微复杂一点的队列作为例子
q = tf.FIFOQueue(1000,"float")
#计数器
counter = tf.Variable(0.0)
#操作:给计数器加一
increment_op = tf.assign_add(counter,tf.constant(1.0))
#操作:将计数器加入队列
enqueue_op = q.enqueue(counter)

#创建一个队列管理器QueueRunner，用这两个操作向q中添加元素。目前我们只使用一个线程:
qr = tf.train.QueueRunner(q,enqueue_ops=[increment_op,enqueue_op]*1)

# 主线程
sess = tf.Session()
sess.run(tf.initialize_all_variables())

#enqueue_threads = qr.create_threads(sess, start=True)  # 启动入队线程

# 主线程
for i in range(0, 10):
    print "-------------------------"
    print(sess.run(q.dequeue()))

说明：上图将生成数据的线程注释掉，程序就会卡在sess.run(q.dequeue())，等待数据的到来。queueRunner是用来启动入队线程用的。

启动所有线程

在读入数据例子中，使用tf.train.string_input_produecer和tf.train.shuffle_batch把两个QueueRunner添加到全局图中。

由于没有显式地返回QueueRunner来用create_threads创建并启动线程，必须这样做：

tf.train.start_queue_runners(sess=sess)

启动tf.GraphKeys.QUEUE_RUNNERS集合中的所有队列线程 。

#-*- coding:utf-8 -*-
import tensorflow as tf
import sys
#创建稍微复杂一点的队列作为例子
q = tf.FIFOQueue(1000,"float")
#计数器
counter = tf.Variable(0.0)
#操作:给计数器加一
increment_op = tf.assign_add(counter,tf.constant(1.0))
enqueue_op = q.enqueue(counter) # 操作：计数器值加入队列
#操作:将计数器加入队列
qr = tf.train.QueueRunner(q, enqueue_ops=[increment_op, enqueue_op] * 1)

# 主线程
sess = tf.Session()
sess.run(tf.initialize_all_variables())

#Coordinator:协调器,协调线程间的关系,可以视为一种信号量,用来做同步
coord = tf.train.Coordinator()

## 启动入队线程, Coordinator是线程的参数
enqueue_threads = qr.create_threads(sess, coord = coord,start=True)  # 启动入队线程

# 主线程
for i in range(0, 10):
    print "-------------------------"
    print(sess.run(q.dequeue()))

#通知其他线程关闭
coord.request_stop()
#其他所有线程关闭之后，这一函数才能返回
#join操作经常用在线程当中,其作用是等待某线程结束
coord.join(enqueue_threads)

说明： QueueRunner 的例子有一个问题：由于入队线程 自顾自地 执行，在需要的出队操作完成之后，程序没法结束。 使用 tf.train.Coordinator 来终止其他线程。 其实可以认为是做一些线程间的同步关系 。