1、变量常量输入
x = tf.Variable([1,2]) b = tf.Constant([3,3])
2、placeholder输入
1 # 定义两个placeholder 2 x = tf.placeholder(tf.float32,[None,784]) 3 y = tf.placeholder(tf.float32,[None,10]) dtype = tf.float32: 一般dtype要去输入的格式,如果赋值的不是这种格式,就会出错误。 但是这里是tf的入口,所以无论什么格式,只要能转换成这种类型即可 输入可以是np格式的
3、使用内存队列、不使用文件队列
queue:定义一个队列,文件队列tf自己会定义,自己定义的是内存队列 enqueue:定义输入队列的操作, 传入一个批次或者多个批次的数据,这个就没有使用文件名列表 dequeue:定义输出队列的操作 train_batch:这个利用dequeue获取一个批次的数据,传入网络 1、定义文件队列-数据 input_queue=data_flow_ops.FIFOQueue(capacity=100000, dtypes=[tf.string,tf.int64], shapes=[(3,),(3,)], shared_name=None,name=None) 2、定义文件队列的输入操作 enqueue_op=input_queue.enqueue_many([image_paths_placeholder,labels_placeholder]) 文件队列的输出和内存队列的输入可以不用定义 3、定义文件队列队列的输出操作 filenames,label=input_queue.dequeue() 4、利用文件队列的输出操作获取一个批量的数据,内存队列的输入操作 这是一个内存队列 image_batch,labels_batch=tf.train.batch_join( images_and_labels,#将这个整体的第一维度进行差分 batch_size=batch_size_placeholder,#出队的时候的大小 shapes=[(args.image_size,args.image_size,3),()], enqueue_many=True,#表示image_batch和labels_batch同时入队 capacity=4*nrof_preprocess_threads*args.batch_size, allow_smaller_final_batch=True) 5、内存队列的输出操作时自动训练的时候自动获取的 6、之前都是定义的队列的操作,这个相当于阀门的打开,数据开始流入 tf.train.start_queue_runners(coord=coord,sess=sess)
4、使用内存队列 和 文件队列、里面是imageDirList
5、使用内存队列 和 文件队列、里面是tfrecord
• string-into producer:这个传输的是文件名这样的列表,而上一个是多个批次的数据,这个相当于是两步 • 这个使用了文件名列表专门的reader reader = tf.WholeFileReader()不同的reader对应不同的文件结构 • train_batch:这个利用dequeue获取一个批次的数据,传入网络 文件用不用入队,直接用reader出队。而数据需要全部进行 1、指定文件队列-文件,这个就相当于前面的第一步和第二步,这一步文件队列入队操作已经完成。 filename_queue = tf.train.string_input_producer(tfrecord_dir_list, shuffle = True) 2、不同的文件有不同的reader,文件队列的输出操作 reader = tf.TFRecordReader() _, serialized_example = reader.read(filename_queue) image_features = tf.parse_single_example(serialized_example, features = { 'image/encoded':tf.FixedLenFeature([],tf.string), 'image/roi':tf.FixedLenFeature([4], tf.float32), 'image/landmark':tf.FixedLenFeature([10],tf.float32) }) 3、放入内存队列入队,使用的时候是出队。内存队列的输入操作 image, label, roi ,mark = tf.train.batch( [image, label, roi, mark], batch_size = batch_size,#从队列中获取的出队列的数量 num_threads = 2,#入队线程的限制 capacity = 1 * batch_size#设置队列的最大数量 ) 4、内存队列的输出操作时自动训练的时候自动获取的 6、之前都是定义的队列的操作,这个相当于阀门的打开,数据开始流入 tf.train.start_queue_runners(coord=coord,sess=sess)
sess.中显示数据
import tensorflow as tf # Fetch:可以在session中同时计算多个tensor或执行多个操作 # 定义三个常量 input1 = tf.constant(3.0) input2 = tf.constant(2.0) input3 = tf.constant(5.0) # 加法op add = tf.add(input2,input3) # 乘法op mul = tf.multiply(input1, add) with tf.Session() as sess: #sess.run([ ]),列表里面就可以放置很多输出。这样就可以一步获得多个输出。 result1,result2 = sess.run([mul, add]) print(result1,result2) # Feed:先定义占位符,等需要的时候再传入数据 input1 = tf.placeholder(tf.float32) input2 = tf.placeholder(tf.float32) # 乘法op output = tf.multiply(input1, input2) with tf.Session() as sess: #Feed_dict():用字典的方式,进行输出所需要的输入的提供 print(sess.run(output, Feed_dict={input1:8.0,input2:2.0}))