TensorFlow入门
3.1文件读取流程
3.1.1文件读取流程
●第一阶段构造文件名队列
●第二阶段读取与解码
●第三阶段批处理.
注:这些操作需要启动运行这些队列操作的线程，以便我们在进行文件读取的过程中能够顺利进行入队出队操作
1.构造文件名队列
将需要读取的文件的文件名放入文件名队列tf.train.string_input_producer(string_tensor,shuffle=True)
string_tensor:含有文件名+路径的1阶张量
num_epochs:过几遍数据，默认无限过数据
return文件队列
2读取与解码
从队列当中读取文件内容，并进行解码操作。
- 1)读取文件内容
阅读器默认每次只读取一个样本
具体说来:
文本文件默认一次读取一行
图片文件默认一次读取一张图片
二进制文件一次读取指定字节数(最好是一个样本的字节数)
TFRecords默认一次读取一个example
tf.TextLineReader:阅读文本文件逗号分隔值(CSV)格式，默认按行读取。return: 读取器实例tf.WholeFileReader: 用于读取图片文件。return: 读取器实例
tf.FixedLengthRecordReader(record_bytes): 二进制文件。要读取每个记录是固定数量字节的二进制文件。record_ bytes: 整型，指定每次读取(一个样本)的字节数。return: 读取器实例tf.TFRecordReader: 读取TFRecords文件。return: 读取器实例
注：
1.它们有共同的读取方法: read(file_queue)， 并且都会返回一个Tensors元组(key文件名字，value默认的内容(一个样本))
2.由于默认只会读取一个样本，所以如果想要进行批处理，需要使用tf.train.batch或tf.train.shuffle_batch进行批处理操作，便于之后指定每批次多个样本的训练。
- 2)内容解码
读取不同类型的文件，也应该对读取到的不同类型的内容进行相对应的解码操作，解码成统一的Tensor格式
●tf.decode_csv:解码文本文件内容
●tf.image.decode_jpeg(contents)
。将JPEG编码的图像解码为uint8张量
。return:uint8张量， 3-D形状[height, width, channels]
●tf.image.decode_png(contents)
。将PNG编码的图像解码为uint8张量
。return:张量 类型，3-D形状[height, width, channels]
●tf.decode_raw:解码二进制文件内容
。与tf.FixedLengthRecordReader搭配使用，二进制读取为uint8类型
解码阶段，默认所有的内容都解码成tf.uint8类型，如果之后需要转换成指定类型则可使用tf.cast()进行相应转换。
- 3)批处理
解码之后，可以直接获取默认的一个样本内容了，但如果想要获取多个样本，需要加入到新的队列进行批处理。
●tf.train.batch(tensors, batch_size, num_threads = 1, capacity = 32,name=None)
。读取指定大小(个数)的张量
。tensors: 可以是包含张量的列表，批处理的内容放到列表当中
。batch_size:从队列中读取的批处理大小
。num_threads: 进入队列的线程数
。capacity: 整数，队列中元素的最大数量
。return:tensors
●tf.train.shuffle_batch
3.1.2线程操作
以上用到的队列都是tf.train.QueueRunner对象。
每个QueueRunner都负责一个阶段，tf.train.start_queue_runners 函数会要求图中的每个QueueRunner启动它的运行队列操作的线程。(这些操作需要在会话中开启)
●tf.train.start queue_runners(sess=None, coord=None)
。收集图中所有的队列线程，默认同时启动线程
。sess: 所在的会话
。coord: 线程协调器
。return: 返回所有线程
●tf.train.Coordinator()
。线程协调员，对线程进行管理和协调
。request_ sto(): 请求停止
。should_ stop(): 询问是否结束
。join(threads=None, stop_ grace_ period_ secs=120): 回收线程。return: 线程协调员实例