加载数据操作不当，导致tensorflow 训练越来越慢的原因

在Session后的循环中加载数据时，对数据进行了tf.reshape, tf.transpose等操作，将原始narray格式的数据变成了tensor,会导致该步骤添加到计算图中，导致计算图越来越大以及Tensorflow 训练越来越慢的原因。

加载数据格式：.mat
加载方式：scio.loadmat(file_path) #

错误格式：

x_in = tf.compat.vi.placeholde()
...
模型
...
file_path = 'E:\Project_Research\a1.mat'
sess = tf.Session()
sess.run(init)
for i in range(10):
	temp = scio.loadmat(file_path)
	images = temp('images') #a1.mat包含变量为‘images’的矩阵
	images = tf.reshape(images,[-1,11,11,2])
	[] = sess.run([train_op], feed_dict = {x_in: images})

如果执行上面tf.reshape函数, 会在调试时看到变量images中op,表示该步骤被添加到了计算图中，因此每迭代一次，都会增加计算图的大小。

正确格式：

x_in = tf.compat.vi.placeholde()
x_in = tf.reshape(x_in, [-1,11,11,2])
...
模型
...
file_path = 'E:\Project_Research\a1.mat'
sess = tf.Session()
sess.run(init)
for i in range(10):
	temp = scio.loadmat(file_path)
	images = temp('images') 
	[] = sess.run([train_op], feed_dict = {x_in: images})

这样保存到tensorflow模型就不会变化。