Tensorflow使用多线程

Tensorflow的Session对象支持多线程，可以在同一个Session中创建多个线程，默认是cpu有多少个核，就启动多少个线程。

Tensorflow提供了俩个类来实现对Session中多线程的管理：tf.Coordinator和tf.QueueRunner，这俩个类必须一起使用。
Coordinator类用来管理Session中的多个线程。使用tf.tain.Coordinator()来创建一个线程管理器对象。

QueueRunner()类用来启动tensor的入队线程，可以用来启动多个工作线程同时将多个tensor（训练数据）推送入文件名队列中，具体执行函数是tf.train.start_queue_runners(coord=coord,sess=sess).

1.调用tf.train.slice_input_producer()，从本地文件中抽取tensor，准备放入Filename Queue(文件名队列）中。可以选择参数shuffle=True。

2.tf.train.batch,从文件名队列中提取tensor，使用单个或多个线程，准备放入文件队列。
3.tf.train.Coordinator()来创建一个线程协调器，用来管理之后再Session中启动的所有线程。
4.tf.train.start_queue_runners(coord=coord,sess=sess),启动入队线程，由单个或多个线程按照设定规则，把文件读入Filename Queue中。函数返回线程ID的列表，一般情况下，系统又多少个核，就会启动多少个入队线程（入队具体使用多少个线程，在tf.train.batch中定义）。
5.文件从Filename Queue中读入内存队列的操作不用手动执行，由tf自动完成。
6.调用sess.run来启动数据出列和计算。
7.使用coord.should_stop()来查询是否应该终止所有线程，当队列（queue）中的所有文件都已经读取出列的时候，会抛出一个OutofRangeError的异常。这时候就应该停止Session中的所有线程。
8.使用coord.request_stop()来发出终止所有线程的命令。
9.coord.join(threads) 把线程加入主线程，等待threads结束。

原文：https://blog.csdn.net/weixin_42052460/article/details/80714539