TensorFlow读取数据的三种方法

tensortlfow数据读取有三种方式

1. placehold feed_dict：从内存中读取数据，占位符填充数据
2. queue队列：从硬盘读取数据
3. Dataset：同时支持内存和硬盘读取数据

placehold-feed_dict

　　先用placehold 占位数据，在Graph中读取数据，数据直接内嵌到Graph中，然后当Graph传入Session是，用feed_dict喂补数据。当数据量比较大的时候，Graph的传输会遇到效率底下问题，特别是数据转换。

import tensorflow as tf
import librosa

# 把数据加载在Graph中
x1 = librosa.load("temp_1.wav", sr=16000)
x2 = librosa.load("temp_2.wav", sr=16000)
y = tf.add(x1, x2)

with tf.Session() as sess:
    print(sess.run(y))

queue队列

　　如果我们的数据读取算法没有设计多线程的话（即单线程），由于读取数据和处理数据在同一个进程是有先后关系的，意味着数据处理完后必须花时间读取数据，然后才能进行计算处理。这样的一来GPU并没有高效的专一做一件事情，从而大大的降低的效率，queue创建多线程彻底的解决了这个问题。

　　tensorflow中为了充分的利用时间，减少GPU等待的空闲时间，使用了两个线程（文件名队列和内存队列）分别执行数据读入和数据计算。文件名队列源源不断的将硬盘中的图片数据，内存队列负责给GPU送数据，所需数据直接从内存队列中获取。两个线程之间互不干扰，同时运行。

　　因此 tensorflow 在内存队列之前，还要使用tf.train.slice_input_producer函数，创建一个文件名队列，文件名队列存放的是参与训练的文件名，要训练N个epoch，则文件名队列中就含有N个批次的所有文件名。

tf.train.slice_in put_producer()

　　使用到 tf.train.slice_input_producer 函数创建文件名队列。在N个epoch的文件名最后是一个结束标志，当tf读到这个结束标志的时候，会抛出一个OutofRange 的异常，外部捕获到这个异常之后就可以结束程序了。

slice_input_producer(tensor_list, 
                    num_epochs=None, 
                    shuffle=True, 
                    seed=None,
                    capacity=32, 
                    shared_name=None, 
                    name=None)

返回tensor生成器，作用是按照设定，每次从一个tensor_list中按顺序或者随机抽取出一个tensor放入文件名队列。

参数：

• tensor_list：tensor的列表，表中tensor的第一维度的值必须相等，即个数必须相等，有多少个图像，就应该有多少个对应的标签
• num_epochs: 迭代的次数，num_epochs=None,生成器可以无限次遍历tensor列表；num_epochs=N，生成器只能遍历tensor列表N次
• shuffle： bool，是否打乱样本的顺序。一般情况下，如果shuffle=True，生成的样本顺序就被打乱了，在批处理的时候不需要再次打乱样本，使用 tf.train.batch函数就可以了;如果shuffle=False,就需要在批处理时候使用 tf.train.shuffle_batch函数打乱样本
• seed: 生成随机数的种子，shuffle=True的情况下才有用
• capacity：队列容量的大小，为整数
• shared_name：可选参数，如果设置一个"shared_name"，则在不同的上下文Session中可以通过这个名字共享生成的tensor
• name：设置操作的名称

如果tensor_list=[data, lable]，其中data.shape=(4000,10)，label.shape=[4000,2]，则生成器生成的第一个队列

input_quenue[0].shape=(10,)

input_quenue[1].shape=(2,)

要真正将文件放入文件名队列，还需要调用tf.train.start_queue_runners 函数来启动执行文件名队列填充的线程，之后计算单元才可以把数据读出来，否则文件名队列为空的，计算单元就会处于一直等待状态，导致系统阻塞。

import tensorflow as tf

images = ["img1", "img2", "img3", "img4", "img5"]
labels = [1, 2, 3, 4, 5]

epoch_num = 8
# 文件名队列
input_queue = tf.train.slice_input_producer([images, labels], num_epochs=None, shuffle=False)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    coord = tf.train.Coordinator()  # 创建一个协调器，管理线程
    # 启动QueueRunner, 执行文件名队列的填充
    threads = tf.train.start_queue_runners(sess=sess, coord=coord)
    for i in range(epoch_num):
        k = sess.run(input_queue)
        print(i, k)
        # 0[b\'img1\', 1]
        # 1[b\'img2\', 2]
        # 2[b\'img3\', 3]
        # 3[b\'img4\', 4]
        # 4[b\'img5\', 5]
        # 5[b\'img1\', 1]
        # 6[b\'img2\', 2]
        # 7[b\'img3\', 3]

    coord.request_stop()
    coord.join(threads)

tf.train.batch & tf.train.shuffle_batch()

tf.train.batch(
    tensors_list,
    batch_size,
    num_threads=1,
    capacity=32,
    enqueue_many=False,
    shapes=None,
    dynamic_pad=False,
    allow_smaller_final_batch=False,
    shared_name=None,
    name=None
)

tf.train.batch & tf.train.shuffle_batch()这两个函数的参数是一样的，下面我以tf.train.batch讲解为例

tf.train.batch是一个tensor队列生成器，作用是按照给定的tensor顺序，把batch_size个tensor推送到文件队列，作为训练一个batch的数据，等待tensor出队执行计算。

• tensors：一个列表或字典的tensor用来进行入队
• batch_size: 每次从队列中获取出队数据的数量
• num_threads：用来控制入队tensors线程的数量，如果num_threads大于1，则batch操作将是非确定性的，输出的batch可能会乱序
• capacity： 设置队列中元素的最大数量
• enqueue_many： 在第一个参数tensors中的tensor是否是单个样本
• shapes： 可选，每个样本的shape，默认是tensors的shape
• dynamic_pad： Boolean值；允许输入变量的shape，出队后会自动填补维度，来保持与batch内的shapes相同
• allow_smaller_final_batch： 设置为True，表示在tensor队列中剩下的tensor数量不够一个batch_size的情况下，允许最后一个batch的数量少于batch_size进行出队， 设置为False，小于batch_size的样本不会做出队处理
• shared_name： 可选参数，设置生成的tensor序列在不同的Session中的共享名称;
• name： 操作的名称;

以下举例： 一共有5个样本，设置迭代次数是2次，每个batch中含有3个样本，不打乱样本顺序：

import tensorflow as tf
import numpy as np

sample_num = 5  # 样本个数
epoch_num = 2  # 设置迭代次数
batch_size = 3  # 设置一个批次中包含样本个数
batch_total = int(sample_num / batch_size) + 1  # 计算每一轮epoch中含有的batch个数


# 生成4个数据和标签
def generate_data(sample_num=sample_num):
    labels = np.asarray(range(0, sample_num))
    images = np.random.random([sample_num, 224, 224, 3])
    print("image size {}, label size: {}".format(images.shape, labels.shape))
    # image size (5, 224, 224, 3), label size: (5,)
    return images, labels


def get_batch_data(batch_size=batch_size):
    images, label = generate_data()
    images = tf.cast(images, tf.float32)  # 数据类型转换为tf.float32
    label = tf.cast(label, tf.int32)  # 数据类型转换为tf.int32

    # 从tensor列表中按顺序或随机抽取一个tensor，主要代码
    input_queue = tf.train.slice_input_producer([images, label], shuffle=False)

    image_batch, label_batch = tf.train.batch(input_queue, batch_size=batch_size,
                                              num_threads=1, capacity=64)
    return image_batch, label_batch


image_batch, label_batch = get_batch_data(batch_size=batch_size)

with tf.Session() as sess:
    coord = tf.train.Coordinator()
    threads = tf.train.start_queue_runners(sess, coord)
    try:
        for i in range(epoch_num):  # 每一轮迭代
            print(" ** ** ** ** ** ** ")
            for j in range(batch_total):  # 遍历每一个batch
                # 获取每一个batch中batch_size个样本和标签
                image_batch_v, label_batch_v = sess.run([image_batch, label_batch])
                # for k in
                print(image_batch_v.shape, label_batch_v)
                # ** ** ** ** ** **
                # (3, 224, 224, 3) [0 1 2]
                # (3, 224, 224, 3) [3 4 0]
                # ** ** ** ** ** **
                # (3, 224, 224, 3) [1 2 3]
                # (3, 224, 224, 3) [4 0 1]
    except tf.errors.OutOfRangeError:
        print("done")
    finally:
        coord.request_stop()
    coord.join(threads)

与tf.train.batch函数相对的还有一个tf.train.shuffle_batch函数，两个函数作用一样，都是生成一定数量的tensor，组成训练一个batch需要的数据集，区别是tf.train.shuffle_batch会打乱样本顺序。

下面这段代码和上面想表达的相同，但是如果tf.train.slice_input_producer中设置了epoch，则后面训练的时候，不需要for循环epoch，只需要设置coord.should_stop。

import numpy as np
import tensorflow as tf


def next_batch():
    datasets = np.asarray(range(0, 20))
    input_queue = tf.train.slice_input_producer([datasets], shuffle=False, num_epochs=1)
    data_batchs = tf.train.batch(input_queue, batch_size=5, num_threads=1,
                                 capacity=20, allow_smaller_final_batch=False)
    return data_batchs


if __name__ == "__main__":
    data_batchs = next_batch()
    sess = tf.Session()
    sess.run(tf.initialize_local_variables())
    coord = tf.train.Coordinator()  # 创建一个协调器，管理线程
    threads = tf.train.start_queue_runners(sess, coord)  # 启动线程
    try:
        while not coord.should_stop():
            data = sess.run([data_batchs])
            print(data)
            # [array([0, 1, 2, 3, 4])]
            # [array([5, 6, 7, 8, 9])]
            # [array([10, 11, 12, 13, 14])]
            # [array([15, 16, 17, 18, 19])]
            # complete
    except tf.errors.OutOfRangeError:
        print("complete")
    finally:
        coord.request_stop()
    coord.join(threads)
    sess.close()

注意：tf.train.batch这个函数的实现是使用queue，需要使用tf.initialize_local_variables()，如果使用tf.global_varialbes_initialize()时，会报： Attempting to use uninitialized value 。并不是tf.initialize_local_variables()替换了tf.global_varialbes_initialize()，而是他们有不同的功能，并要的时候都要使用

batch的使用方法，实现感知机。

import tensorflow as tf
import scipy.io as sio


def get_Batch(data, label, batch_size):
    print(data.shape, label.shape)
    input_queue = tf.train.slice_input_producer([data, label], num_epochs=1, shuffle=True, capacity=32)
    x_batch, y_batch = tf.train.batch(input_queue, batch_size=batch_size, num_threads=1, capacity=32,
                                      allow_smaller_final_batch=False)
    return x_batch, y_batch


data = sio.loadmat(\'data.mat\')
train_x = data[\'train_x\']
train_y = data[\'train_y\']
test_x = data[\'test_x\']
test_y = data[\'test_y\']

x = tf.placeholder(tf.float32, [None, 10])
y = tf.placeholder(tf.float32, [None, 2])

w = tf.Variable(tf.truncated_normal([10, 2], stddev=0.1))
b = tf.Variable(tf.truncated_normal([2], stddev=0.1))
pred = tf.nn.softmax(tf.matmul(x, w) + b)

loss = tf.reduce_mean(-tf.reduce_sum(y * tf.log(pred), reduction_indices=[1]))
optimizer = tf.train.AdamOptimizer(2e-5).minimize(loss)
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(pred, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32), name=\'evaluation\')

x_batch, y_batch = get_Batch(train_x, train_y, 1000)
# 训练
with tf.Session() as sess:
    # 初始化参数
    sess.run(tf.global_variables_initializer())
    sess.run(tf.local_variables_initializer())
    # 开启协调器
    coord = tf.train.Coordinator()
    # 使用start_queue_runners 启动队列填充
    threads = tf.train.start_queue_runners(sess, coord)
    epoch = 0
    try:
        while not coord.should_stop():
            # 获取训练用的每一个batch中batch_size个样本和标签
            data, label = sess.run([x_batch, y_batch])
            sess.run(optimizer, feed_dict={x: data, y: label})
            train_accuracy = accuracy.eval({x: data, y: label})
            test_accuracy = accuracy.eval({x: test_x, y: test_y})
            print("Epoch %d, Training accuracy %g, Testing accuracy %g" % (epoch, train_accuracy, test_accuracy))
            epoch = epoch + 1
    except tf.errors.OutOfRangeError:  # num_epochs 次数用完会抛出此异常
        print("---Train end---")
    finally:
        # 协调器coord发出所有线程终止信号
        coord.request_stop()
        print(\'---Programm end---\')
    coord.join(threads)  # 把开启的线程加入主线程，等待threads结束

 

tf.data.Dataset

官方推荐用tf.data.Dateset，看到这个是不是有点心累，哈哈哈。

Tensorflow中之前主要用的数据读取方式主要有：

1、建立placeholder，然后使用feed_dict将数据feed进placeholder进行使用。使用这种方法十分灵活，可以一下子将所有数据读入内存，然后分batch进行feed；也可以建立一个Python的generator，一个batch一个batch的将数据读入，并将其feed进placeholder。这种方法很直观，用起来也比较方便灵活jian，但是这种方法的效率较低，难以满足高速计算的需求。

2、使用TensorFlow的QueueRunner，通过一系列的Tensor操作，将磁盘上的数据分批次读入并送入模型进行使用。这种方法效率很高，但因为其牵涉到Tensor操作，不够直观，也不方便调试，所有有时候会显得比较困难。使用这种方法时，常用的一些操作包括tf.TextLineReader，tf.FixedLengthRecordReader以及tf.decode_raw等等。如果需要循环，条件操作，还需要使用TensorFlow的tf.while_loop，tf.case等操作。

3、上面的方法我觉得已经要被tensorflow放弃了，现在官方推荐用tf.data.Dataset模块，使其数据读入的操作变得更为方便，而支持多线程（进程）的操作，也在效率上获得了一定程度的提高。

tf.data.Dataset.from_tensor_slices

创建了一个dataset，这个dataset中含有5个元素[1.0, 2.0, 3.0, 4.0, 5.0]，为了将5个元素取出，方法是从Dataset中示例化一个iterator，然后对iterator进行迭代。

import tensorflow as tf
import numpy as np

dataset = tf.data.Dataset.from_tensor_slices(np.array([1.0, 2.0, 3.0, 4.0, 5.0]))
iterator = dataset.make_one_shot_iterator()  # 从dataset中实例化一个iterator，只能从头到尾取一次,指名了顺序
one_element = iterator.get_next()  # 从iterator中取一个元素
with tf.Session() as sess:
    try:
        for i in range(5):
            print(sess.run(one_element))
    except tf.errors.OutOfRangeError:   # iterator迭代完会抛出此异常
        print("数据迭代完了")

 

dataset = tf.data.Dataset.from_tensor_slices(np.random.uniform(size=(5, 2)))

数据的第一维度是个数，这个函数会切分第一维度，最后生成的dataset中含有5个元素，每个元素的形状是（2，）

dataset = tf.data.Dataset.from_tensor_slices(
    {
        "a": np.array([1.0, 2.0, 3.0, 4.0, 5.0]),                                       
        "b": np.random.uniform(size=(5, 2))
    })

tf.data.Dataset.from_tensor_slices的参数，可以是列表也可以是字典，{"image": "image_tensor", "label": "label_tensor"}

Trainformation

　　Dataset支持一类特殊的操作Trainformation，即一个Dataset通过Trainformation变成一个新的Dataset，可以理解为数据变换，对Dataset中的元素做变换（打乱、生成epoch...等操作）。

常用的Trainformation有：

• map
• batch
• shuffle
• repeat

1、dataset.map

　　这个函数很重要也经常用到，他接收一个函数，Dataset中的每一个元素都会被当做这个函数的输入，并将函数返回值作为新的Dataset，

例如：对dataset中每一个元素的值加1

dataset = tf.data.Dataset.from_tensor_slices(np.array([1.0, 2.0, 3.0, 4.0, 5.0]))
dataset = dataset.map(lambda x: x + 1) # 2.0, 3.0, 4.0, 5.0, 6.0

2、dataset.batch 

　　batch就是将多个元素组合成batch，如下面的程序将dataset中的每个元素组成了大小为6的batch:

# 创建0-10的数据集，每个6个数取一个batch。
dataset = tf.data.Dataset.range(10).batch(6)
iterator = dataset.make_one_shot_iterator()
next_element = iterator.get_next()

with tf.Session() as sess:
    for i in range(2):
        value = sess.run(next_element)
        print(value)
# [0 1 2 3 4 5]
# [6 7 8 9]

tensorflow很好的帮我们自动处理最后的一个batch，但是，上面的for循环次数超过2，会报错，超过范围了，没值可取。

4、datasets.repeat 

　　repeat的功能就是将整个序列重复多次，主要用来处理机器学习中的epoch，假设原先的数据是一个epoch，使用repeat(5)就可以将之变成5个epoch，当for循环取值超过一个epoch的时候，会开始下一个epoch。

dataset = tf.data.Dataset.range(10).batch(6)
dataset = dataset.repeat(2)
iterator = dataset.make_one_shot_iterator()
next_element = iterator.get_next()

with tf.Session() as sess:
    for i in range(4):
        value = sess.run(next_element)
        print(value)
# [0 1 2 3 4 5]
# [6 7 8 9]
# [0 1 2 3 4 5]
# [6 7 8 9]

repeat只是将数据集重复了指定的次数，但是如果for循环大于4还是会报错，所以简单的方法是repeat不设次数，生成的序列就会无限重复下去，没有结束，因此也不会抛出tf.errors.OutOfRangeError异常：dataset = dataset.repeat()

dataset = tf.data.Dataset.range(10).batch(6)
dataset = dataset.repeat()
iterator = dataset.make_one_shot_iterator()
next_element = iterator.get_next()

with tf.Session() as sess:
    for i in range(6):
        value = sess.run(next_element)
        print(value)
# [0 1 2 3 4 5]
# [6 7 8 9]
# [0 1 2 3 4 5]
# [6 7 8 9]
# [0 1 2 3 4 5]
# [6 7 8 9]

3、dataset.shuffle 

　　打乱dataset中的元素，它有一个参数buffer_size表示打乱顺序，buffer_size=1表示不打乱顺序，buffer_size越大，打乱程度越大，不设置会报错：

dataset = dataset.shuffle(buffer_size=10000)

shuffle打乱顺序很重要，建议先打乱顺序，再batch取值，因为如果是先执行batch操作的话，那么此时就只是对batch进行shuffle，而batch里面的数据顺序依旧是有序的，那么随机程度会减弱。

　　建议：dataset = tf.data.Dataset.range(10).shuffle(10).batch(6)

读入磁盘图片与对应label

我们可以来考虑一个简单，但同时也非常常用的例子：读入磁盘中的图片和图片相应的label，并将其打乱，组成batch_size=32的训练样本。在训练时重复10个epoch。 

# 函数的功能时将filename对应的图片文件读进来，并缩放到统一的大小
def _parse_function(filename, label):
    image_string = tf.read_file(filename)
    image_decoded = tf.image.decode_image(image_string)
    image_resized = tf.image.resize_images(image_decoded, [28, 28])
    return image_resized, label


# 图片文件的列表
filenames = tf.constant(["/var/data/image1.jpg", "/var/data/image2.jpg", ...])
# label[i]就是图片filenames[i]的label
labels = tf.constant([0, 37, ...])

# filename是图片的文件名，label是图片对应的标签
dataset = tf.data.Dataset.from_tensor_slices((filenames, labels))

# 将filename对应的图片读入，并缩放为28x28的大小，
dataset = dataset.map(_parse_function)

# 在每个epoch内将图片打乱组成大小为32的batch，并重复10次。
# image_resized_batch(32, 28, 28, 3)，label_batch(32, )
dataset = dataset.shuffle(buffer_size=1000).batch(32).repeat(10)

Dataset的其他创建方法

除了tf.data.Dataset.from_tensor_slices外，目前Dataset API还提供了另外三种创建Dataset的方式：

• tf.data.TextLineDataset()：这个函数的输入是一个文件的列表，输出是一个dataset。dataset中的每一个元素就对应了文件中的一行。可以使用这个函数来读入CSV文件。
• tf.data.FixedLengthRecordDataset()：这个函数的输入是一个文件的列表和一个record_bytes，之后dataset的每一个元素就是文件中固定字节数record_bytes的内容。通常用来读取以二进制形式保存的文件，如CIFAR10数据集就是这种形式。
• tf.data.TFRecordDataset()：顾名思义，这个函数是用来读TFRecord文件的，dataset中的每一个元素就是一个TFExample。

iterator

在非Eager模式下，最简单的创建Iterator的方法就是通过dataset.make_one_shot_iterator()来创建一个one_shot_iterator。除了这种iterator外，还有三个更复杂的Iterator，即：

• make_initializable_iterator
• make_reinitializable_iterator
• make_feedable_iterator 

initializable_iterator必须要在使用前通过sess.run()来初始化。使用initializable iterator，可以将placeholder-feed_dict代入Iterator中，这可以方便我们通过参数快速定义新的Iterator。一个简单的initializable_iterator使用示例:

limit = tf.placeholder(dtype=tf.int32, shape=[])
# 此时的limit相当于一个“可变参数”，它规定了Dataset中数的“上限”。
dataset = tf.data.Dataset.from_tensor_slices(tf.range(start=0, limit=limit))
iterator = dataset.make_initializable_iterator()
next_element = iterator.get_next()

with tf.Session() as sess:
    # 初始化并feed initializable_iterator
    sess.run(iterator.initializer, feed_dict={limit: 10})
    for i in range(10):
      value = sess.run(next_element)
      assert i == value

initializable_iterator还有一个功能：读入较大的数组。

在使用tf.data.Dataset.from_tensor_slices(array)时，实际上发生的事情是将array作为一个tf.constants保存到了计算图中。当array很大时，会导致计算图变得很大，给传输、保存带来不便。这时，我们可以用一个placeholder取代这里的array，并使用initializable_iterator，只在需要时将array传进去，这样就可以避免把大数组保存在图里，示例代码为（来自官方例程）：

# 读取numpy数据
with np.load("/var/data/training_data.npy") as data:
  features = data["features"]
  labels = data["labels"]

# 查看图像和标签维度是否保持一致
assert features.shape[0] == labels.shape[0]

# 创建placeholder
features_placeholder = tf.placeholder(features.dtype, features.shape)
labels_placeholder = tf.placeholder(labels.dtype, labels.shape)

# 创建dataset
dataset = tf.data.Dataset.from_tensor_slices((features_placeholder, labels_placeholder))

# 批量读取,打散数据,repeat()
dataset = dataset.shuffle(20).batch(5).repeat()

# [Other transformations on `dataset`...]
dataset_other = ...

iterator = dataset.make_initializable_iterator()
data_element = iterator.get_nex()

sess = tf.Session()
# 注意迭代器要在循环语句之前初始化
sess.run(iterator.initializer, feed_dict={features_placeholder: features,
                                          labels_placeholder: labels})

for e in range(EPOCHS):
    for step in range(num_batches):
        x_batch, y_batch = sess.run(data_element)
        y_pred = model(x_batch)
        ...
...

sess.close()

自定义方法

上面几种方法，都是官方可调用的方法，如果大家想自定义可以参考我的代码，这段代码是从tensorflow教程中偷来的。代码太长我的折叠起来了哈，这段代码大家可以直接拿去用（亲测可用）。

import numpy as np
from tensorflow.contrib.learn.python.learn.datasets import base
from tensorflow.python.framework import dtypes


class DataSet(object):

    def __init__(self,
                 datapoints,
                 labels,
                 fake_data=False,
                 one_hot=False,
                 dtype=dtypes.float32):
        """Construct a DataSet.
        one_hot arg is used only if fake_data is true.  `dtype` can be either
        `uint8` to leave the input as `[0, 255]`, or `float32` to rescale into
        `[0, 1]`.
        """
        dtype = dtypes.as_dtype(dtype).base_dtype
        if dtype not in (dtypes.uint8, dtypes.float32):
            raise TypeError(\'Invalid image dtype %r, expected uint8 or float32\' %
                            dtype)

        if labels is None:
            labels = np.zeros((len(datapoints),))

        if fake_data:
            self._num_examples = 10000
            self.one_hot = one_hot
        else:
            assert datapoints.shape[0] == labels.shape[0], (
                    \'datapoints.shape: %s labels.shape: %s\' % (datapoints.shape, labels.shape))
            self._num_examples = datapoints.shape[0]

        self._datapoints = datapoints
        self._labels = labels
        self._epochs_completed = 0
        self._index_in_epoch = 0

    @property
    def datapoints(self):
        return self._datapoints

    @property
    def labels(self):
        return self._labels

    @property
    def num_examples(self):
        return self._num_examples

    @property
    def epochs_completed(self):
        return self._epochs_completed

    def next_batch(self, batch_size, fake_data=False, shuffle=True):
        """Return the next `batch_size` examples from this data set."""
        if fake_data:
            fake_image = [1] * 784
            if self.one_hot:
                fake_label = [1] + [0] * 9
            else:
                fake_label = 0
            return [fake_image for _ in range(batch_size)], [
                fake_label for _ in range(batch_size)
            ]
        start = self._index_in_epoch
        # Shuffle for the first epoch
        if self._epochs_completed == 0 and start == 0 and shuffle:
            perm0 = np.arange(self._num_examples)
            np.random.shuffle(perm0)
            self._datapoints = self.datapoints[perm0]
            self._labels = self.labels[perm0]
        # Go to the next epoch
        if start + batch_size > self._num_examples:     # 如果初始epoch+batch_size(0+128)>样本总数
            # Finished epoch
            self._epochs_completed += 1
            # Get the rest examples in this epoch
            rest_num_examples = self._num_examples - start
            datapoints_rest_part = self._datapoints[start:self._num_examples]
            labels_rest_part = self._labels[start:self._num_examples]
            # Shuffle the data
            if shuffle:
                perm = np.arange(self._num_examples)
                np.random.shuffle(perm)
                self._datapoints = self.datapoints[perm]
                self._labels = self.labels[perm]
            # Start next epoch
            start = 0
            self._index_in_epoch = batch_size - rest_num_examples
            end = self._index_in_epoch
            datapoints_new_part = self._datapoints[start:end]
            labels_new_part = self._labels[start:end]
            return np.concatenate((datapoints_rest_part, datapoints_new_part), axis=0), np.concatenate(
                (labels_rest_part, labels_new_part), axis=0)
        else:
            self._index_in_epoch += batch_size
            end = self._index_in_epoch
            return self._datapoints[start:end], self._labels[start:end]

想要真正弄懂建议自己写一个，虽然上面那个已经写的非常完美了。

• 要求1：每一个epoch之后都要shuff数据，
• 要求2：训练数据集不用去batch_size的整数。

 打乱顺序

def shuffle_set(train_image, train_label, test_image, test_label):
    train_row = range(len(train_label))
    random.shuffle(train_row)
    train_image = train_image[train_row]
    train_label = train_label[train_row]
    
    test_row = range(len(test_label))
    random.shuffle(test_row)
    test_image = test_image[test_row]
    test_label = test_label[test_row]
    return train_image, train_label, test_image, test_label

 取下一个batch

def get_batch(image, label, batch_size, now_batch, total_batch):
    if now_batch < total_batch-1:
        image_batch = image[now_batch*batch_size:(now_batch+1)*batch_size]
        label_batch = label[now_batch*batch_size:(now_batch+1)*batch_size]
    else:
        image_batch = image[now_batch*batch_size:]
        label_batch = label[now_batch*batch_size:]
    return image_batch, label_batch

epoch、 iteration和batchsize的区别：epoch是周期的意思，代表要重复训练epoch次，每个epoch包括样本数/batch个iteration

总结

本文主要介绍了tensortlfow三种读取数据方式的，placehold-feed_dict，queue队列还介绍了Dataset API的基本架构：Dataset类和Iterator类，以及它们的基础使用方法。 

在非Eager模式下，Dataset中读出的一个元素一般对应一个batch的Tensor，我们可以使用这个Tensor在计算图中构建模型。 
在Eager模式下，Dataset建立Iterator的方式有所不同，此时通过读出的数据就是含有值的Tensor，方便调试。

参考文献

Tensorflow将自己的数据分割成batch训练

何之源的知乎文章：Dataset API入门教程