tensorflow中线程和队列

队列（queue）本身也是图中的一个节点，是一种有状态的节点，主要包括入队节点（enqueue）和出队节点(dequeue)，可以修改它的内容。enqueue操作返回计算图中的一个Operation节点，dequeue操作返回一个Tensor值。Tensor在创建时同样只是一个定义（或称为“声明”），需要放在Session中运行才能获得真正的数值。

FIFOQueue先入先出队列

import tensorflow as tf

# 创建一个先入先出的队列,指定队列最多可以保存3个元素,并指定类型为整数
q = tf.FIFOQueue(3, 'int32')
# 初始化队列中的元素,将[0,10,20]3个元素排入此队列
init = q.enqueue_many(([0, 10, 20], ))
# 将队列中的第1个元素出队列,并存入变量x中
x = q.dequeue()
# 将得到的值加1
y = x + 1
# 将加1后的值重新加入队列
q_inc = q.enqueue([y])

with tf.Session() as sess:
    # 队列初始化
    init.run()
    for _ in range(5):
        # 执行数据出队列/出队元素+1/重新加入队列的过程
        v, _ = sess.run([x, q_inc])
        print(v)

输出：
0
10
20
1
11

分析：队列开始有[0,10,20]三个元素，执行5次数据出队列，出队元素+1，重新加入队列的过程中： 
x=0, 　y=1,　　 队列：[10，20，1] 
x=10,　　y=11,　　队列：[20，1，11] 
x=20,　　y=21,　　队列：[1，11，21] 
x=1,　 　y=2,　　 队列：[11，21，2] 
x=11,　　y=12,　　队列：[21，2，12]

RandomShuffleQueue随机队列

在出队列时，是以随机的顺序产生元素的。例如，我们在训练一些图像样本时，使用CNN的网络结构，希望可以无序地读入训练样本，就要用RandomShuffleQueue,每次随机产生一个训练样本。

RandomShuffleQueue在Tensorflow使用异步计算时非常重要。因为Tensorflow的会话是支持多线程的，我们可以在主线程里执行训练操作，使用RandomShuffleQueue作为训练输入，开多个线程来准备训练样本，将样本压入队列后，主线程会从队列中每次取出mini-batch的样本进行训练

q=tf.RandomShuffleQueue(capacity=10,min_after_dequeue=2,dtypes="float")#队列最大长度为10，出队后最小长度为2
sess=tf.Session()
for i in range(0,10):#10次入队
    sess.run(q.enqueue(i))
for i in range(0,8):#8次出队
    print(sess.run(q.dequeue()))

输出：顺序不固定的八个数
7.0
8.0
5.0
6.0
9.0
4.0
3.0
0.0

队列管理器

当数据量很大时，入队操作从硬盘中读取数据，放入内存中，主线程需要等待入队操作完成，才能进行训练操作。会话中可以运行多个线程，我们使用线程管理器QueueRunner创建一系列的新线程进行入队操作，让主线程继续使用数据，即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。

import tensorflow as tf

# 创建一个含有队列的图
q = tf.FIFOQueue(1000,"float")  # 创建一个长度为1000的队列
counter = tf.Variable(0.0)