TensorFlow之队列与多线程（二）

学习记录

这篇博客是衔接上一篇中介绍的多线程对队列的操作的内容，继续介绍通过此方法对训练数据的读取以用于训练。这篇博客中的内容是基于假设所有的输入数据都已经整理成了TFRecord格式。关于将输入数据转换成TFRecord格式的这部分内容后续看情况是否写个博客来做个记录。这部分的学习依旧主要是参照着《TensorFlow实战Google深度学习框架》一书中对应的部分，以下也相当于是相应部分的一个阅读笔记。

输入文件队列

TFRecord文件

在正式介绍利用队列与多线程读取数据之前，先给出一个简单的程序来生成样例数据。

# 创建一个TFRecord的帮助文件
def _int64_feature(value):
    return tf.train.Feature(int64_list=tf.train.Int64List(value=[value]))

# 模拟海量数据情况下将数据写入不同的文件。num_shards定义了总共写入多少个文件
# instances_per_shard定义了每个文件中多少个数据
num_shards = 2
instances_per_shard = 2
for i in range(num_shards):
    # 将数据划分为多个文件时，可以将不同文件以类似0000n-of-0000m的后缀区分。
    # 其中m表示数据总共被存储在多少个文件中，n表示当前文件的标号
    # 式样的方式既方便了通过正则表达式获取文件列表，又在文件名中加入了更多的信息
    filename = ('./data.tfrecords-%.5d-of-%.5d' % (i, num_shards))
    writer = tf.python_io.TFRecordWriter(filename)
    # 将数据封装成example结构并写入TFRecord文件
    for j in range(instances_per_shard):
        example = tf.train.Example(features=tf.train.Features(feature={
   
                'i': _int64_feature(i),
                'j': _int64_feature(j)
                }))
        writer.write(example.SerializeToString())
    writer.close()

刚开始看这个代码，好多点都不太明白，下面对代码中一些点做个记录。

1. tf.t