tensorflow 转张量类型为float_TensorFlow .NET 队列操作

TensorFlow能够并行处理多个任务，而队列是一种强大的异步计算机制。 如果我们拥有大型数据集，则可以大大加快模型的训练过程。 当以小批量读取，预处理和提取我们的训练数据时，此功能特别方便。 能够对我们的模型进行专业且高性能的训练的秘诀是使用TensorFlow提供的排队操作。 TensorFlow已经实现了4种类型的队列：FIFOQueue，PaddingFIFOQueue，PriorityQueue和RandomShuffleQueue。

就像TensorFlow中的所有操作一样，队列也是计算图中的一个节点。它是一个有状态的节点，就像变量一样：其他节点可以修改其内容，特别是节点可以将新元素加入到队列，或从队列中弹出现有元素。

为了开始学习队列操作，让我们先从一个简单的示例开始。我们将创建一个“先进先出”队列(FIFOQueue)并用数字填充。然后，我们将构建一个计算图，该图将一个元素从队列中移出，然后将一个元素添加到该项目中，最后将其放回队列的末尾。

TestMethod]

Enqueue，_EnqueueMany_和_Dequeue_是特殊的节点。他们使用一个指向队列的指针而不是普通值，从而允许他们对其进行更改。我首先创建一个最大为2的FIFOQueue队列，然后将两个值放入队列。然后，我立即尝试从中取出一个值并将其分配给y，在这里我只需将1添加到已出列的变量。接下来，我们开始一个会话并运行。运行几次该操作后，队列将为空-如果尝试再次运行该操作，则程序的主线程将挂起或阻塞-这是因为它将等待另一个操作运行到将更多值放入队列。

FIFOQueue
创建一个队列，以先进先出的顺序使元素出队。FIFO队列具有有限的容量；支持多个并发的生产者和消费者；并提供一次精确消费。FIFOQueue包含最多容量元素的列表。每个元素都是张量的定长元组，其张量类型由dtypes描述，其形状可选地由shapes参数描述。

PaddingFIFOQueue
一个FIFOQueue通过填充支持批量可变大小张量。PaddingFIFOQueue可以包含具有动态形状的组件，同时还支持dequeue_many。PaddingFIFOQueue最多可容纳一个容量元素列表。每个元素都是张量的定长元组，其张量由dtypes描述，其形状由shapes参数描述。

PriorityQueue
一个按优先级出队元素的队列实现。PriorityQueue具有有限的容量；支持多个并发的生产者和消费者；并提供一次精确的投放。PriorityQueue包含最多容量元素的列表。每个元素都是张量的定长元组，其张量类型由类型描述，其形状可选地由shapes参数描述。

RandomShuffleQueue
一个以随机顺序使元素出队的队列实现。RandomShuffleQueue具有有限的容量；支持多个并发的生产者和消费者；并提供一次精确的投放。RandomShuffleQueue包含最多容量元素的列表。每个元素都是张量的定长元组，其张量类型由dtypes描述，其形状可选地由shapes参数描述。

队列方法必须与队列在同一设备上运行。FIFOQueue和RandomShuffleQueue是重要的TensorFlow对象，用于在图形中异步计算张量。例如，典型的输入体系结构是使用RandomShuffleQueue为训练模型准备输入：

• 多个线程准备培训示例并将其放入队列。

• 训练线程执行训练操作，以使迷你批处理从队列中出队。

这种架构体系结构简化了输入管道的构造。

查看C#程序代码：https://github.com/SciSharp/TensorFlow.NET/blob/master/test/TensorFlowNET.UnitTest/QueueTest.cs

在上面的示例中，一旦队列里没有元素，您必须在程序被阻止时终止程序。很显然，这不是很有用。我们真正想要的事情是，只要队列为空或将要为空，我们的程序就可以重新加载或排队更多的值。我们可以通过在上面的代码中再次明确运行enqueue_op来重新加载值，从而解决此问题。但是，对于大型，更实际的程序，这显然不可行。幸运的是，TensorFlow有一个解决方案。

TensorFlow提供了两个类来帮助执行多线程任务：tf.Coordinator和tf.QueueRunner。有两个类可以一起使用。Coordinator类可帮助多个线程停在一起并将异常报告给主线程。QueueRunner类用于创建多个线程，以将张量推入同一队列。