tfsenflow队列|tf.train.slice_input_producer|tf.train.Coordinator|tf.train.start_queue_runners

 

 

####
'''
tf.train.slice_input_producer  ：定义样本放入文件名队列的方式[迭代次数，是否乱序]，但此时文件名队列还没有真正写入数据
    slice_input_producer(tensor_list, num_epochs=None, shuffle=True, seed=None,capacity=32, shared_name=None, name=None)
        tensor_list:如[images,labels] = [['img1','image2','imag3','img4','img5','img6'],[1,2,3,4,5,6]]
        num_epochs:可选参数，迭代次数   num_epochs=None  无限次遍历tensor列表   num_epochs=N 生成器只能遍历列表N次
        shuffle：shuffle=True 乱序样本    shuffle=False需要在批处理时使用tf.train.shuffle_batch函数打乱样本
        seed：随机数种子  在shuffle=True 时使用
        capacity：设置tensor列表的容量
        shared_name：可选参数，如果设置一个‘shared_name’，则在不同的上下文环境（Session）中可以通过这个名字共享生成的tensor
        name：设置操作名称

'''
import tensorflow as tf

###思路：准备入文件名队列    创建线程    入队线程
images = ['img1','image2','imag3','img4','img5','img6']
labels = [1,2,3,4,5,6]

epoch_num = 8
queue = tf.train.slice_input_producer([images,labels],num_epochs=None,shuffle=False) #从文件里抽取tensor，准备放入文件名队列
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    coord = tf.train.Coordinator()                             ###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
    ###启动入队线程，由多个或单个线程，按照设定规则把文件读入到文件名队列中，返回线程ID的列表。一般情况下，系统有多少核，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中设定
    threads = tf.train.start_queue_runners(sess,coord=coord)
    for i in range(epoch_num):
        k = sess.run(queue)
        print("*************")
        print(i,k,k[0],k[1])

        '''
        *************
0 [b'img1', 1] b'img1' 1
*************
1 [b'image2', 2] b'image2' 2
*************
2 [b'imag3', 3] b'imag3' 3
*************
3 [b'img4', 4] b'img4' 4
*************
4 [b'img5', 5] b'img5' 5
*************
5 [b'img6', 6] b'img6' 6
*************
6 [b'img1', 1] b'img1' 1
*************
7 [b'image2', 2] b'image2' 2
        '''

 

import tensorflow as tf

###思路：准备入文件名队列    创建线程    入队线程  异常处理
images = ['img1','image2','imag3','img4','img5','img6']
labels = [1,2,3,4,5,6]

epoch_num = 8
queue = tf.train.slice_input_producer([images,labels],num_epochs=None,shuffle=False) #从文件里抽取tensor，准备放入文件名队列
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    coord = tf.train.Coordinator()                             ###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
    ###启动入队线程，由多个或单个线程，按照设定规则把文件读入到文件名队列中，返回线程ID的列表。一般情况下，系统有多少核，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中设定
    threads = tf.train.start_queue_runners(sess,coord=coord)
    try:
        for i in range(epoch_num):
            if coord.should_stop():     ###查询是否应该终止所有线程，当文件队列（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Sesson中的所有线程了;
                break
            k = sess.run(queue)
            print("*************")
            print(i,k,k[0],k[1])
    except tf.errors.OutOfRangeError: ###如果读取文件到文件队列末尾会抛出此异常
        print('完成！！现在终止所有线程')
    finally:
        ##协调器coord发出所有线程终止信号，使用coord.join(threads)把线程加入主线程，等待threads结束
        coord.request_stop()
        print('所有线程请求终止')
    coord.join(threads)  ###把开启的线程加入主线程，等待threads结束
    print('所有线程终止')