Python tf.train.shuffle\u batch\u join和tf.train.shuffle\u batch之间的差异

查看两个函数签名和参数

tf.train.shuffle_batch_join(
tensors_list,
batch_size,
capacity,
min_after_dequeue,
seed=None,
enqueue_many=False,
shapes=None,
allow_smaller_final_batch=False,
shared_name=None,
name=None
)

及

atguments之间唯一的区别是

num_threads

，这直观地表示

tf.train.shuffle_batch

可以使用多个线程或进程进行处理，但它们似乎做的工作基本相同

---

我想知道除了批量的多处理之外，是否有人会选择一个而不是另一个的根本区别。

引用shuffle“u batch”join TF文档：

张量列表参数是张量元组列表或张量字典列表。列表中的每个元素的处理方式与tf.train.shuffle_batch（）的张量参数类似

基本上，shuffle\u batch\u join希望：

• 接收张量列表
• 对列表中的每个成员执行shuffle\u批处理
• 返回一个与张量列表[i]数量和类型相同的张量列表

请注意，如果使用shuffle\u batch\u join：

len（tensors_list）线程将启动，线程i将从tensors_list[i]中排队。张量列表[i1][j]必须在类型和形状上与张量列表[i2][j]匹配，但如果enqueue\u many为true，则在第一维中除外

---

我想我已经阅读了文档，我没有看到太多的差异，除了函数参数，好像一个重载另一个，我的问题是使用一个比另一个有什么区别？性能？我最初的想法是批量洗牌，而不是逐批按元素排序？医生说每个参数都是一样的，我们来看看。基本上，如果您有多个读卡器，并且希望在文件之间进行洗牌，则首选洗牌\批处理\加入。

tf.train.shuffle_batch(
tensors,
batch_size,
capacity,
min_after_dequeue,
num_threads=1,
seed=None,
enqueue_many=False,
shapes=None,
allow_smaller_final_batch=False,
shared_name=None,
name=None
)