Python 如何沿0-dim以固定长度分割预加载的数据，以便与Tensorflow中的QueueRunner一起使用？

除了从张量而不是文件加载数据这一区别之外，还有什么可以与tf.FixedLengthRecordReader相提并论的吗？我尝试构建一个如下所示的输入管道（我的问题在第4点中描述）：

1.在词汇表中加载数据 2.创建新词典 3.使用训练数据点创建张量 4.这里我需要帮助：） 此时，我想使用

数据库

类似于从

tf.FixedLengthRecordReader

中使用函数

read（）

读取的文件。在我当前的解决方案中，整个数据集打包在一个批中

class DATABASERecord(object):
  pass
result = DATABASERecord()

database = get_pre_load_data()
... ???
result.image = ..
result.label = ..

return result

5.对“结果”执行一些操作 6.创建批处理、队列。。 我不知道它是否相关，但整个系统作为一个多GPU系统运行

编辑： 我还没有这个问题的答案，但我有一个解决这个问题的办法，应该能解决我问题的答案。因此，我没有将数据点保存在张量中，而是将它们保存在二进制文件中，并使用

tf.FixedLengthRecordReader

加载它们。这个答案对我帮助很大：

# Select certain individual data points from the N dictionaries 
# and merge them into a new dictionary or array.
..
dict_new = ...
....

class PRELOADdata(object):
  pass
pre_load_data = PRELOADdata()

# Images
dict_value_img = dict_new[b'images']
array_image = np.asarray(dict_value_img, np.float32)
pre_load_data.images = tf.convert_to_tensor(array_image, np.float32)

#Labels
dict_value_lbl = dict_new[b'labels']
array_label = np.asarray(dict_value_lbl, np.float32)
pre_load_data.labels = tf.convert_to_tensor(array_label, np.float32)
...
retun pre_load_data

class DATABASERecord(object):
  pass
result = DATABASERecord()

database = get_pre_load_data()
... ???
result.image = ..
result.label = ..

return result

data_point = get_result()
label = data_point.label
image = tf.cast(data_point.image, tf.int32)
#... tf.random_crop, tf.image.random_flip_left_right, 
#... tf.image.random_brightness, tf.image.random_contrast,
#... tf.image.per_image_standardization
...

...
image_batch, label_batch = tf.train.batch([image, label],
batch_size=BATCH_SIZE,num_threads=THREADS, capacity=BA_CAPACITY * BATCH_SIZE)
...
batch_queue = tf.contrib.slim.prefetch_queue.prefetch_queue(
[image_batch, label_batch], capacity=QU_CAPACITY)
...
..batch_queue.dequeue()
...
tf.train.start_queue_runners(sess=my_sess)