Tensorflow 數據讀取有三種方式：
Preloaded data: 預加載數據，在TensorFlow圖中定義常量或變量來保存所有數據(僅適用於數據量比較小的情況)。
Feeding: Python產生數據，再把數據喂給后端。TensorFlow程序運行的每一步， 讓Python代碼來供給數據。
Reading from file: 從文件中直接讀取，在TensorFlow圖的起始， 讓一個輸入管線從文件中讀取數據。
（https://www.cnblogs.com/jyxbk/p/7773319.html
https://blog.csdn.net/XUEER88888888888888/article/details/86666614
https://www.cnblogs.com/zyly/p/8982335.html
https://blog.csdn.net/chenghtao/article/details/82110434
https://www.cnblogs.com/jyxbk/p/7773319.html
https://www.sogou.com/link?url=DSOYnZeCC_rR_TP93bdO6NeXnRkLS7fcqFq8n02wCL9Pp37pjYjVUJBPmYRRn48s
https://blog.csdn.net/christianashannon/article/details/78966048
）
對於數據量較小而言，可能一般選擇直接將數據加載進內存，然后再分batch輸入網絡進行訓練（tip:使用這種方法時，結合yield 使用更為簡潔，大家自己嘗試一下吧，我就不贅述了）。但是，如果數據量較大，這樣的方法就不適用了，因為太耗內存，所以這時最好使用tensorflow提供的隊列queue，也就是第二種方法 從文件讀取數據。對於一些特定的讀取，比如csv文件格式，官網有相關的描述，在這兒我介紹一種比較通用，高效的讀取方法（官網介紹的少），即使用tensorflow內定標准格式——TFRecords
TensorFlow提供了一個隊列機制，通過多線程將讀取數據與計算數據分開。因為在處理海量數據集的訓練時，無法把數據集一次全部載入到內存中，需要一邊從硬盤中讀取，一邊進行訓練，為了加快訓練速度，我們可以采用多個線程讀取數據，一個線程消耗數據。（隊列：https://www.jianshu.com/p/d063804fb272）
TensorFlow里與Queue有關的概念和用法。
其實概念只有三個：
Queue是TF隊列和緩存機制的實現
QueueRunner是TF中對操作Queue的線程的封裝
Coordinator是TF中用來協調線程運行的工具
- Queue
根據實現的方式不同，分成具體的幾種類型，例如：
tf.FIFOQueue 按入列順序出列的隊列
tf.RandomShuffleQueue 隨機順序出列的隊列
tf.PaddingFIFOQueue 以固定長度批量出列的隊列
tf.PriorityQueue 帶優先級出列的隊列
... ...
這些類型的Queue除了自身的性質不太一樣外，創建、使用的方法基本是相同的。
創建函數的參數：
tf.FIFOQueue(capacity, dtypes, shapes=None, names=None ...)
Queue主要包含入列（enqueue）和出列（dequeue）兩個操作。enqueue操作返回計算圖中的一個Operation節點，dequeue操作返回一個Tensor值。Tensor在創建時同樣只是一個定義（或稱為“聲明”），需要放在Session中運行才能獲得真正的數值。（詳細請參考：https://blog.csdn.net/fegang2002/article/details/82949863）下面是一個單獨使用Queue的例子：
import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
tf.InteractiveSession()
q = tf.FIFOQueue(2, "float")
init = q.enqueue_many(([0,0],))
x = q.dequeue()
y = x+1
q_inc = q.enqueue([y])
init.run()
q_inc.run()
q_inc.run()
q_inc.run()
x.eval() # 返回1
x.eval() # 返回2
x.eval() # 卡住
如果一次性入列超過Queue Size的數據，enqueue操作會卡住，直到有數據（被其他線程）從隊列取出。對一個已經取空的隊列使用dequeue操作也會卡住，直到有新的數據（從其他線程）寫入
- QueueRunner
Tensorflow的計算主要在使用CPU/GPU和內存，而數據讀取涉及磁盤操作，速度遠低於前者操作。因此通常會使用多個線程讀取數據，然后使用一個線程消費數據。QueueRunner就是來管理這些讀寫隊列的線程的。
QueueRunner需要與Queue一起使用（這名字已經注定了它和Queue脫不開干系），但並不一定必須使用Coordinator。看下面這個例子：
增加計數的進程會不停的后台運行，執行入隊的進程會先執行10次（因為隊列長度只有10），然后主線程開始消費數據，當一部分數據消費被后，入隊的進程又會開始執行。最終主線程消費完20個數據后停止，但其他線程繼續運行，程序不會結束。