Machine learning TensorFlow:tf.train.batch是否在批次完成培训后自动加载下一批次？

例如，在我创建了我的操作之后，通过该操作输入批数据并运行该操作，tf.train.batch是否会自动向会话输入另一批数据

我这样问是因为tf.train.batch有一个属性

allow_minger_final_batch

，这使得最终批次可以作为小于指定批次大小的大小加载。这是否意味着即使没有循环，下一批也可以自动进料？从教程代码来看，我相当困惑。当我加载一个批次时，我实际上得到了一个批次大小的形状[batch\u size，height，width，num\u channels]，但是说它

以张量创建了一批张量。

另外，当我在中阅读教程代码时，其中有一个名为load\u batch的函数，只返回了3个张量：

images，images\u raw，标签

。文档中解释的“批次”数据在哪里

谢谢你的帮助

。。。tf.train.batch是否会自动向会话提供另一批数据

不，没有什么是自动发生的。必须再次调用sess.run（…）以加载新批

这是否意味着即使没有循环，下一批也可以自动进料

编号

tf.train.batch（..）

将始终加载

batch\u大小

张量。例如，如果您有100个图像和一个

batch\u size=30

，那么您将有3*30个批，就像您可以调用

sess一样。在输入队列从一开始就开始之前运行（batch）

三次（如果

epoch=1

则停止）。这意味着您错过了培训中的

100-3*30=10

样本。如果您不想错过它们，您可以执行

tf.train.batch（…，allow_minger_final_batch=True）

这样，在输入队列重新启动之前，您将有3个30个样本批次和1个10个样本批次

让我用一个代码示例来详细说明：

queue=tf.train.string\u input\u producer（文件名，
num_epochs=1）#仅对数据集中的所有样本迭代一次
reader=tf.TFRecordReader（）#或您需要的任何读取器
_，示例=reader.read（队列）
图像，标签=您的转换（示例）
#批处理现在将在sess上加载多达100个图像标签对。运行（…）
#大多数tf ops都经过调整，可以批量工作
#这会更快，并且在梯度计算等方面也会提供更好的结果
批次=tf.train.batch（[图像，标签]，批次尺寸=100）
使用tf.Session（）作为sess：
#“样板”代码
赛斯·朗([
tf.local_variables_initializer（），
tf.global_variables_initializer（），
])
coord=tf.train.Coordinator（）
线程=tf.train.start\u queue\u runner（sess=sess，coord=coord）
尝试：
#在大多数情况下，coord.should_stop（）将返回True
#当没有更多样本可读取时
#如果num_epochs=0，那么它将永远运行
当不协调时，是否应停止（）
#将开始从输入队列读取工作数据
#和“获取”计算图的结果
#转换为原始图像和原始标签
原始图像，原始标签=sess.run（[图像，标签]）
最后：
协调请求停止（）
坐标连接（线程）

每次要加载下一批时，都需要调用sess.run并将批传递给它。请参阅下面的代码

img = [0,1,2,3,4,5,6,7,8]
lbl = [0,1,2,3,4,5,6,7,8]
images = tf.convert_to_tensor(img)
labels = tf.convert_to_tensor(lbl)
input_queue = tf.train.slice_input_producer([images,labels])
sliced_img = input_queue[0]
sliced_lbl = input_queue[1]

img_batch, lbl_batch = tf.train.batch([sliced_img,sliced_lbl], batch_size=3)
with tf.Session() as sess:
    coord   = tf.train.Coordinator()
    threads = tf.train.start_queue_runners(coord=coord)

    for i in range(0,3): #batch size
        image_batch,label_batch = sess.run([img_batch,lbl_batch ])
        print(image_batch, label_batch)

    coord.request_stop()
    coord.join(threads)

答案是这样的：

[4,1,8][4,1,8]

[2,3,7][2,3,7]

---

[2,6,8][2,6,8]

我在上面的帖子中修改了代码，博多凯瑟在上面的帖子中给出了答案。请注意，这是来自eval_image_classifier.py上的评估纸条。对eval_image_classifier.py代码最重要的修改是将num_epochs=1添加到DatasetDataProvider行。这样，所有图像都将被访问一次以进行推断

provider = slim.dataset_data_provider.DatasetDataProvider(
    dataset,
    shuffle=False,
    common_queue_capacity=2 * FLAGS.batch_size,
    common_queue_min=FLAGS.batch_size, num_epochs=1)
[image, label] = provider.get(['image', 'label'])
images, labels = tf.train.batch(
    [image, label],
    batch_size=FLAGS.batch_size,
    num_threads=FLAGS.num_preprocessing_threads,
    capacity=1 * FLAGS.batch_size)
with tf.Session() as sess:
     sess.run([tf.local_variables_initializer(),
               tf.global_variables_initializer(),])
    coord = tf.train.Coordinator()
    threads = tf.train.start_queue_runners(sess=sess, coord=coord)
    try:
        while not coord.should_stop():
            np_image, np_label = sess.run([images, labels])
    except:
        coord.request_stop()
        coord.join(threads)

---

谢谢你的回答。我可以知道是否需要for循环来继续加载下一批吗？如果培训数据集中只有100个示例，您当前是否将100个示例加载到一个批次中？从我在TF中看到的大多数实现来看，似乎有一个循环，但我的没有，所以我对此不确定。此外，对于boiler plate代码下面的代码，我使用了tf slim的slim.learning.train，我认为除了所采取的训练步骤数之外，它没有循环。是的，如果训练数据集中只有100个示例，那么我的示例中只会有一批。我不能推荐

tf.contrib.slim

，因为它只有很少的文档，而且维护得不是很好。还不清楚他们是否会继续开发。如果数据集中有100多个示例，您建议我如何加载下一批？如果我只是通过for循环再次调用tf.train.batch，它会调用相同的示例吗？就像在我的代码示例中通过

而不是coord.shop（）

。说

batch\u image，batch\u label=tf.train.batch（[image，label]，batch\u size=100）

和在tf.Session（）内部有意义吗，通过

raw\u images，raw\u labels=sess.运行（[batch\u image，batch\u label]）

以充分利用批处理？在当前代码中，似乎我们仍然一次只拉一个实例，因为我们没有在批处理上运行，对吗？