我有一個圖像目錄和一個單獨的文件，將圖像文件名匹配到標籤。所以圖像的目錄中有像「火車/ 001.JPG」和標記文件看起來像文件：從張量流中的文件隊列訪問文件名
train/001.jpg 1
train/002.jpg 2
...
我可以很容易地通過創建從一個文件名加載開fileQueue從張量流圖像目錄圖片：
filequeue = tf.train.string_input_producer(filenames)
reader = tf.WholeFileReader()
img = reader.read(filequeue)
但我不知道如何將這些文件與標籤文件中的標籤結合在一起。看來我需要在每一步訪問隊列中的文件名。有沒有辦法讓他們？此外，一旦我有文件名，我需要能夠查找由文件名鍵入的標籤。這看起來像一個標準的Python字典不會工作，因爲這些計算需要發生在圖中的每一步。
鑑於你的數據不是太大，你提供的文件名列表作爲一個Python數組，我建議只是在Python中進行預處理。創建兩個列表（相同順序）的文件名和標籤，並將其插入隨機洗牌隊列或隊列中，並從中退出。如果你想要string_input_producer的「循環無限」行爲，你可以在每個紀元開始時重新運行'入隊'。
一個非常玩具例子：
import tensorflow as tf
f = ["f1", "f2", "f3", "f4", "f5", "f6", "f7", "f8"]
l = ["l1", "l2", "l3", "l4", "l5", "l6", "l7", "l8"]
fv = tf.constant(f)
lv = tf.constant(l)
rsq = tf.RandomShuffleQueue(10, 0, [tf.string, tf.string], shapes=[[],[]])
do_enqueues = rsq.enqueue_many([fv, lv])
gotf, gotl = rsq.dequeue()
with tf.Session() as sess:
sess.run(tf.initialize_all_variables())
tf.train.start_queue_runners(sess=sess)
sess.run(do_enqueues)
for i in xrange(2):
one_f, one_l = sess.run([gotf, gotl])
print "F: ", one_f, "L: ", one_l
的關鍵是，你有效地入列對文件名/標籤的，當你做了enqueue，以及那些對由dequeue返回。
這是我所能做的。
我第一次洗牌的文件名，並在Python相匹配的標籤，對他們說：
np.random.shuffle(filenames)
labels = [label_dict[f] for f in filenames]
然後創建一個string_input_producer與推卸的文件名和一個FIFO用於標籤：
lv = tf.constant(labels)
label_fifo = tf.FIFOQueue(len(filenames),tf.int32, shapes=[[]])
file_fifo = tf.train.string_input_producer(filenames, shuffle=False, capacity=len(filenames))
label_enqueue = label_fifo.enqueue_many([lv])
然後閱讀圖像，我可以使用WholeFileReader並獲得我可以使隊列出隊的標籤：
reader = tf.WholeFileReader()
image = tf.image.decode_jpeg(value, channels=3)
image.set_shape([128,128,3])
result.uint8image = image
result.label = label_fifo.dequeue()
並生成批次如下：
min_fraction_of_examples_in_queue = 0.4
min_queue_examples = int(num_examples_per_epoch *
min_fraction_of_examples_in_queue)
num_preprocess_threads = 16
images, label_batch = tf.train.shuffle_batch(
[result.uint8image, result.label],
batch_size=FLAGS.batch_size,
num_threads=num_preprocess_threads,
capacity=min_queue_examples + 3 * FLAGS.batch_size,
min_after_dequeue=min_queue_examples)
這個標籤閱讀框架非常適合我的代碼，它也使用'tf.WholeFileReader'來讀取圖像文件名，但是，用戶必須記得在開始訓練之前運行'sess.run（label_enqueue）'，否則程序會掛在那裏，等待入隊操作發生。 –
我試圖使用與您的代碼相同的想法，但我無法保持標籤與圖像同步。 http://stackoverflow.com/questions/43567552/tf-slice-input-producer-not-keeping-tensors-in-sync – rasen58
有tf.py_func()你可以利用實現從文件路徑映射到標籤。
files = gfile.Glob(data_pattern)
filename_queue = tf.train.string_input_producer(
files, num_epochs=num_epochs, shuffle=True) # list of files to read
def extract_label(s):
# path to label logic for cat&dog dataset
return 0 if os.path.basename(str(s)).startswith('cat') else 1
def read(filename_queue):
key, value = reader.read(filename_queue)
image = tf.image.decode_jpeg(value, channels=3)
image = tf.cast(image, tf.float32)
image = tf.image.resize_image_with_crop_or_pad(image, width, height)
label = tf.cast(tf.py_func(extract_label, [key], tf.int64), tf.int32)
label = tf.reshape(label, [])
training_data = [read(filename_queue) for _ in range(num_readers)]
...
tf.train.shuffle_batch_join(training_data, ...)
我用這個：
filename = filename.strip().decode('ascii')
另一個建議是保存TFRecord格式的數據。在這種情況下，您可以將所有圖像和所有標籤保存在同一個文件中。對於大數量的文件，它提供了很多優勢：
好吧，那正是我所需要的！我沒有想過只是在python中匹配這兩個，並事先對它進行了洗牌 - 我只是試圖使用加載該文件的CIFAR教程中的代碼，然後再進行洗牌。 – bschreck
其實我只是試了一下，我覺得我的文件名列表太大了。使用此代碼只會掛起，但在減少列表中元素的數量時起作用。順便提一下，有87,000個文件。 – bschreck
有趣 - 它不應該掛，真的。你有沒有增加randomshufflequeue max到足夠大來處理你放入它的東西的數量？我會告誡說，我從來沒有嘗試過一個很大的隨機洗牌隊列。 :)如果您想節省內存，您可以將文件重寫爲csv，使用傳送到csv解碼器的textlinereader，然後將它們放入隊列中，使用queuerunner保持運行。儘管只有大約1MB的文件名，但很多工作。 – dga