tensorflow组合训练数据（batch）

tensorflow提供了tf.train.batch和tf.train.shuffle_batch函数来将单个样例组织成batch的形式输出。这两个函数都会生成一个队列，队列的入队操作是生成单个样例的方法，而每次出队得到的是一个batch的样例。唯一的区别是是否会将数据顺序打乱。

1.tf.train.batch

batch_size=3
capacity=1000+3*batch_size
example_batch,label_batch=tf.train.batch(
    [example,label],batch_size=batch_size,capacity=capacity)

参数：

capacity给出了队列的最大容量，队列如果太大，需要占用很多的内存资源，如果太小，出队操作可能会因为没有数据而被阻碍（block），从而导致训练效率降低。当队列长度等于容量时，tensorflow将暂停入队操作，而只是等待元素出队。当元素个数小于容量时，tensorflow将自动重新启动入队操作。

2.tf.train.shuffle_batch

batch_size=3
capacity=1000+3*batch_size
example_batch,label_batch=tf.train.shuffle_batch(
    [example,label],batch_size=batch_size,capacity=capacity,min_after_dequeue=30)

参数：

min_after_dequeue限制了出队时队列中元素的最少个数。当队列中元素太少时随机打乱样例顺序的作用就不大了。当出队函数被调用但是队列中元素中不够时，出队操作应等待更多的元素入队才会完成。

对于tf.train.shuffle_batch多个线程会读取一个文件中的不同样例并进行预处理，如果需要多个线程处理不同文件中的样例时，可以使用tf.train.shuffle_batch_join