TensorFlow学习之CNN-Cifar10代码阅读与详解(一)：cifar10数据批量读取

---

本文将详细分析TensorFlow官方文档中关于在Cifar10数据上进行CNN分类的官方代码。官方文档地址如下：
https://www.tensorflow.org/versions/r0.12/tutorials/deep_cnn/index.html#convolutional-neural-networks
其代码组织形式如下：

由于该代码文件、参数较多，本文将分步骤，详叙该代码每部分的具体运行情况。

1. Cifar10数据集读取

数据集读取的功能主要由文件cifar10_input.py完成，该部分主要由函数read_cifar10、_generate_image_and_label_batch、以及inputs函数组成。各函数的主要功能如下：

• ead_cifar10：从输入队列中读取一条记录信息，即一副图像的数据以及其label。

• generate_image_and_label_batch：根据输入队列，采用多线程方法，从输入队列中批量读取一批数据，每批的中包含的图像数目为batch_size。

• inputs：创建cifar10文件名队列，并调用read_cifar10函数以及_generate_image_and_label_batch函数，读取一批图像数据。

数据读取部分主要涉及到tensorflow队列和多线程管理的概念，说明如下：

1.1 tensorflow队列—————-
在TensorFlow中，队列和变量类似，都是算图上有状态的节点。所有队列管理器被默认加入图的tf.GraphKeys.QUEUE_RUNNERS集合中。
操作队列的类和方法如下：

• FIFOQueue()： 创建一个先入先出（FIFO）的队列
• RandomShuffleQueue()：创建一个随机出队的队列
• enqueue_many()： 初始化队列中的元素
• enqueue()： 入队
• dequeue()： 出队

1.2 TensorFlow多线程操作队列
为提高数据读取的速度，一般采用多线程对队列进行操作。TensorFlow提供的多线程协同操作的类—tf.Coordinator，其方法主要有：

• should_stop()： 确定当前线程是否退出

• request_stop()：通知其他线程退出

• join()： 等待所有线程终止

TensorFlow提供了队列tf.QueueRunner类处理多个线程操作同一队列，启动的线程由上面提到的tf.Coordinator类统一管理，常用的操作有：

• QueueRunner()：启动线程，第一个参数为线程需要操作的队列，第二个参数为对队列的操作，如enqueue_op，此时的enqueue_op = queue.enqueue()

• add_queue_runner()：在图中的一个集合中加‘QueueRunner’，如果没有指定的合集的话会被添加到tf.GraphKeys.QUEUE_RUNNERS合集

• start_queue_runners()：启动所有被添加到图中的线程

1.3 代码详解

程序的运行结果如下：
qi

即在当前目录下，会保存10个读取到的图像文件