tensorflow用自己的数据创建batch

使用自己的数据创建batch

下面以一个例子说明：

data = np.array([x for x in range(1, 101)]).reshape(10, 10)
label = np.array([x for x in range(1, 11)]).reshape(10, 1)

将data代表的矩阵作为输入的数据，其中每一行作为一个样例，每一列作为一个特征，这里要说明的是：如果你的数据是2维的数据完全可以存为这种格式，就像是mnist集中的数据也是将每一张图片flatten后存为一维的行向量。

附上所有代码：

import numpy as np
import tensorflow as tf

...

if __name__ == '__main__':
    data = np.array([x for x in range(1, 101)]).reshape(10, 10)
    label = np.array([x for x in range(1, 11)]).reshape(10, 1)
    batch_size = 3
    capacity = 100 + 3 * batch_size
    input_queue = tf.train.slice_input_producer([data, label])
    label = input_queue[1]
    image = input_queue[0]
    image_batch, label_batch = tf.train.shuffle_batch([image, label],
                                                      batch_size=batch_size,
                                                      num_threads=32,
                                                      capacity=capacity,
                                                      min_after_dequeue=50)
    # 这里根据自己的需要将数据转换为所想要的形状和格式
    # label_batch = tf.reshape(label_batch, [batch_size])
    # image_batch = tf.cast(image_batch, tf.float32)

    with tf.Session() as sess:
        tf.global_variables_initializer().run()
        coord = tf.train.Coordinator()
        threads = tf.train.start_queue_runners(sess=sess, coord=coord)
        for i in range(20):
            cur_example_batch, cur_label_batch = sess.run(
                [image_batch, label_batch])
            print(cur_label_batch)
        coord.request_stop()
        coord.join(threads)

设定每次取出的batchsize=3，capacity表示对数据进行混乱处理的容器大小，通过多线程的方式对我们给定的数据进行读取。