TensorFlow讀取數據的三種方法

tensortlfow數據讀取有三種方式

1. placehold feed_dict：從內存中讀取數據，占位符填充數據
2. queue隊列：從硬盤讀取數據
3. Dataset：同時支持內存和硬盤讀取數據

placehold-feed_dict

　　先用placehold 占位數據，在Graph中讀取數據，數據直接內嵌到Graph中，然后當Graph傳入Session是，用feed_dict喂補數據。當數據量比較大的時候，Graph的傳輸會遇到效率底下問題，特別是數據轉換。

import tensorflow as tf
import librosa

# 把數據加載在Graph中
x1 = librosa.load("temp_1.wav", sr=16000)
x2 = librosa.load("temp_2.wav", sr=16000)
y = tf.add(x1, x2)

with tf.Session() as sess:
    print(sess.run(y))

queue隊列

　　如果我們的數據讀取算法沒有設計多線程的話（即單線程），由於讀取數據和處理數據在同一個進程是有先后關系的，意味着數據處理完后必須花時間讀取數據，然后才能進行計算處理。這樣的一來GPU並沒有高效的專一做一件事情，從而大大的降低的效率，queue創建多線程徹底的解決了這個問題。

　　tensorflow中為了充分的利用時間，減少GPU等待的空閑時間，使用了兩個線程（文件名隊列和內存隊列）分別執行數據讀入和數據計算。文件名隊列源源不斷的將硬盤中的圖片數據，內存隊列負責給GPU送數據，所需數據直接從內存隊列中獲取。兩個線程之間互不干擾，同時運行。

　　因此 tensorflow 在內存隊列之前，還要使用tf.train.slice_input_producer函數，創建一個文件名隊列，文件名隊列存放的是參與訓練的文件名，要訓練N個epoch，則文件名隊列中就含有N個批次的所有文件名。

tf.train.slice_in put_producer()

　　使用到 tf.train.slice_input_producer 函數創建文件名隊列。在N個epoch的文件名最后是一個結束標志，當tf讀到這個結束標志的時候，會拋出一個OutofRange 的異常，外部捕獲到這個異常之后就可以結束程序了。

slice_input_producer(tensor_list, 
                    num_epochs=None, 
                    shuffle=True, 
                    seed=None,
                    capacity=32, 
                    shared_name=None, 
                    name=None)

返回tensor生成器，作用是按照設定，每次從一個tensor_list中按順序或者隨機抽取出一個tensor放入文件名隊列。

參數：

• tensor_list：tensor的列表，表中tensor的第一維度的值必須相等，即個數必須相等，有多少個圖像，就應該有多少個對應的標簽
• num_epochs: 迭代的次數，num_epochs=None,生成器可以無限次遍歷tensor列表；num_epochs=N，生成器只能遍歷tensor列表N次
• shuffle： bool，是否打亂樣本的順序。一般情況下，如果shuffle=True，生成的樣本順序就被打亂了，在批處理的時候不需要再次打亂樣本，使用 tf.train.batch函數就可以了;如果shuffle=False,就需要在批處理時候使用 tf.train.shuffle_batch函數打亂樣本
• seed: 生成隨機數的種子，shuffle=True的情況下才有用
• capacity：隊列容量的大小，為整數
• shared_name：可選參數，如果設置一個"shared_name"，則在不同的上下文Session中可以通過這個名字共享生成的tensor
• name：設置操作的名稱

如果tensor_list=[data, lable]，其中data.shape=(4000,10)，label.shape=[4000,2]，則生成器生成的第一個隊列

input_quenue[0].shape=(10,)

input_quenue[1].shape=(2,)

要真正將文件放入文件名隊列，還需要調用tf.train.start_queue_runners 函數來啟動執行文件名隊列填充的線程，之后計算單元才可以把數據讀出來，否則文件名隊列為空的，計算單元就會處於一直等待狀態，導致系統阻塞。

import tensorflow as tf

images = ["img1", "img2", "img3", "img4", "img5"]
labels = [1, 2, 3, 4, 5]

epoch_num = 8
# 文件名隊列
input_queue = tf.train.slice_input_producer([images, labels], num_epochs=None, shuffle=False)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    coord = tf.train.Coordinator()  # 創建一個協調器，管理線程
    # 啟動QueueRunner, 執行文件名隊列的填充
    threads = tf.train.start_queue_runners(sess=sess, coord=coord)
    for i in range(epoch_num):
        k = sess.run(input_queue)
        print(i, k)
        # 0[b'img1', 1]
        # 1[b'img2', 2]
        # 2[b'img3', 3]
        # 3[b'img4', 4]
        # 4[b'img5', 5]
        # 5[b'img1', 1]
        # 6[b'img2', 2]
        # 7[b'img3', 3]

    coord.request_stop()
    coord.join(threads)

tf.train.batch & tf.train.shuffle_batch()

tf.train.batch(
    tensors_list,
    batch_size,
    num_threads=1,
    capacity=32,
    enqueue_many=False,
    shapes=None,
    dynamic_pad=False,
    allow_smaller_final_batch=False,
    shared_name=None,
    name=None
)

tf.train.batch & tf.train.shuffle_batch()這兩個函數的參數是一樣的，下面我以tf.train.batch講解為例

tf.train.batch是一個tensor隊列生成器，作用是按照給定的tensor順序，把batch_size個tensor推送到文件隊列，作為訓練一個batch的數據，等待tensor出隊執行計算。

• tensors：一個列表或字典的tensor用來進行入隊
• batch_size: 每次從隊列中獲取出隊數據的數量
• num_threads：用來控制入隊tensors線程的數量，如果num_threads大於1，則batch操作將是非確定性的，輸出的batch可能會亂序
• capacity： 設置隊列中元素的最大數量
• enqueue_many： 在第一個參數tensors中的tensor是否是單個樣本
• shapes： 可選，每個樣本的shape，默認是tensors的shape
• dynamic_pad： Boolean值；允許輸入變量的shape，出隊后會自動填補維度，來保持與batch內的shapes相同
• allow_smaller_final_batch： 設置為True，表示在tensor隊列中剩下的tensor數量不夠一個batch_size的情況下，允許最后一個batch的數量少於batch_size進行出隊， 設置為False，小於batch_size的樣本不會做出隊處理
• shared_name： 可選參數，設置生成的tensor序列在不同的Session中的共享名稱;
• name： 操作的名稱;

以下舉例： 一共有5個樣本，設置迭代次數是2次，每個batch中含有3個樣本，不打亂樣本順序：

import tensorflow as tf
import numpy as np

sample_num = 5  # 樣本個數
epoch_num = 2  # 設置迭代次數
batch_size = 3  # 設置一個批次中包含樣本個數
batch_total = int(sample_num / batch_size) + 1  # 計算每一輪epoch中含有的batch個數


# 生成4個數據和標簽
def generate_data(sample_num=sample_num):
    labels = np.asarray(range(0, sample_num))
    images = np.random.random([sample_num, 224, 224, 3])
    print("image size {}, label size: {}".format(images.shape, labels.shape))
    # image size (5, 224, 224, 3), label size: (5,)
    return images, labels


def get_batch_data(batch_size=batch_size):
    images, label = generate_data()
    images = tf.cast(images, tf.float32)  # 數據類型轉換為tf.float32
    label = tf.cast(label, tf.int32)  # 數據類型轉換為tf.int32

    # 從tensor列表中按順序或隨機抽取一個tensor，主要代碼
    input_queue = tf.train.slice_input_producer([images, label], shuffle=False)

    image_batch, label_batch = tf.train.batch(input_queue, batch_size=batch_size,
                                              num_threads=1, capacity=64)
    return image_batch, label_batch


image_batch, label_batch = get_batch_data(batch_size=batch_size)

with tf.Session() as sess:
    coord = tf.train.Coordinator()
    threads = tf.train.start_queue_runners(sess, coord)
    try:
        for i in range(epoch_num):  # 每一輪迭代
            print(" ** ** ** ** ** ** ")
            for j in range(batch_total):  # 遍歷每一個batch
                # 獲取每一個batch中batch_size個樣本和標簽
                image_batch_v, label_batch_v = sess.run([image_batch, label_batch])
                # for k in
                print(image_batch_v.shape, label_batch_v)
                # ** ** ** ** ** **
                # (3, 224, 224, 3) [0 1 2]
                # (3, 224, 224, 3) [3 4 0]
                # ** ** ** ** ** **
                # (3, 224, 224, 3) [1 2 3]
                # (3, 224, 224, 3) [4 0 1]
    except tf.errors.OutOfRangeError:
        print("done")
    finally:
        coord.request_stop()
    coord.join(threads)

與tf.train.batch函數相對的還有一個tf.train.shuffle_batch函數，兩個函數作用一樣，都是生成一定數量的tensor，組成訓練一個batch需要的數據集，區別是tf.train.shuffle_batch會打亂樣本順序。

下面這段代碼和上面想表達的相同，但是如果tf.train.slice_input_producer中設置了epoch，則后面訓練的時候，不需要for循環epoch，只需要設置coord.should_stop。

import numpy as np
import tensorflow as tf


def next_batch():
    datasets = np.asarray(range(0, 20))
    input_queue = tf.train.slice_input_producer([datasets], shuffle=False, num_epochs=1)
    data_batchs = tf.train.batch(input_queue, batch_size=5, num_threads=1,
                                 capacity=20, allow_smaller_final_batch=False)
    return data_batchs


if __name__ == "__main__":
    data_batchs = next_batch()
    sess = tf.Session()
    sess.run(tf.initialize_local_variables())
    coord = tf.train.Coordinator()  # 創建一個協調器，管理線程
    threads = tf.train.start_queue_runners(sess, coord)  # 啟動線程
    try:
        while not coord.should_stop():
            data = sess.run([data_batchs])
            print(data)
            # [array([0, 1, 2, 3, 4])]
            # [array([5, 6, 7, 8, 9])]
            # [array([10, 11, 12, 13, 14])]
            # [array([15, 16, 17, 18, 19])]
            # complete
    except tf.errors.OutOfRangeError:
        print("complete")
    finally:
        coord.request_stop()
    coord.join(threads)
    sess.close()

注意：tf.train.batch這個函數的實現是使用queue，需要使用tf.initialize_local_variables()，如果使用tf.global_varialbes_initialize()時，會報： Attempting to use uninitialized value 。並不是tf.initialize_local_variables()替換了tf.global_varialbes_initialize()，而是他們有不同的功能，並要的時候都要使用

batch的使用方法，實現感知機。

import tensorflow as tf
import scipy.io as sio


def get_Batch(data, label, batch_size):
    print(data.shape, label.shape)
    input_queue = tf.train.slice_input_producer([data, label], num_epochs=1, shuffle=True, capacity=32)
    x_batch, y_batch = tf.train.batch(input_queue, batch_size=batch_size, num_threads=1, capacity=32,
                                      allow_smaller_final_batch=False)
    return x_batch, y_batch


data = sio.loadmat('data.mat')
train_x = data['train_x']
train_y = data['train_y']
test_x = data['test_x']
test_y = data['test_y']

x = tf.placeholder(tf.float32, [None, 10])
y = tf.placeholder(tf.float32, [None, 2])

w = tf.Variable(tf.truncated_normal([10, 2], stddev=0.1))
b = tf.Variable(tf.truncated_normal([2], stddev=0.1))
pred = tf.nn.softmax(tf.matmul(x, w) + b)

loss = tf.reduce_mean(-tf.reduce_sum(y * tf.log(pred), reduction_indices=[1]))
optimizer = tf.train.AdamOptimizer(2e-5).minimize(loss)
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(pred, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32), name='evaluation')

x_batch, y_batch = get_Batch(train_x, train_y, 1000)
# 訓練
with tf.Session() as sess:
    # 初始化參數
    sess.run(tf.global_variables_initializer())
    sess.run(tf.local_variables_initializer())
    # 開啟協調器
    coord = tf.train.Coordinator()
    # 使用start_queue_runners 啟動隊列填充
    threads = tf.train.start_queue_runners(sess, coord)
    epoch = 0
    try:
        while not coord.should_stop():
            # 獲取訓練用的每一個batch中batch_size個樣本和標簽
            data, label = sess.run([x_batch, y_batch])
            sess.run(optimizer, feed_dict={x: data, y: label})
            train_accuracy = accuracy.eval({x: data, y: label})
            test_accuracy = accuracy.eval({x: test_x, y: test_y})
            print("Epoch %d, Training accuracy %g, Testing accuracy %g" % (epoch, train_accuracy, test_accuracy))
            epoch = epoch + 1
    except tf.errors.OutOfRangeError:  # num_epochs 次數用完會拋出此異常
        print("---Train end---")
    finally:
        # 協調器coord發出所有線程終止信號
        coord.request_stop()
        print('---Programm end---')
    coord.join(threads)  # 把開啟的線程加入主線程，等待threads結束

 

tf.data.Dataset

官方推薦用tf.data.Dateset，看到這個是不是有點心累，哈哈哈。

Tensorflow中之前主要用的數據讀取方式主要有：

1、建立placeholder，然后使用feed_dict將數據feed進placeholder進行使用。使用這種方法十分靈活，可以一下子將所有數據讀入內存，然后分batch進行feed；也可以建立一個Python的generator，一個batch一個batch的將數據讀入，並將其feed進placeholder。這種方法很直觀，用起來也比較方便靈活jian，但是這種方法的效率較低，難以滿足高速計算的需求。

2、使用TensorFlow的QueueRunner，通過一系列的Tensor操作，將磁盤上的數據分批次讀入並送入模型進行使用。這種方法效率很高，但因為其牽涉到Tensor操作，不夠直觀，也不方便調試，所有有時候會顯得比較困難。使用這種方法時，常用的一些操作包括tf.TextLineReader，tf.FixedLengthRecordReader以及tf.decode_raw等等。如果需要循環，條件操作，還需要使用TensorFlow的tf.while_loop，tf.case等操作。

3、上面的方法我覺得已經要被tensorflow放棄了，現在官方推薦用tf.data.Dataset模塊，使其數據讀入的操作變得更為方便，而支持多線程（進程）的操作，也在效率上獲得了一定程度的提高。

tf.data.Dataset.from_tensor_slices

創建了一個dataset，這個dataset中含有5個元素[1.0, 2.0, 3.0, 4.0, 5.0]，為了將5個元素取出，方法是從Dataset中示例化一個iterator，然后對iterator進行迭代。

import tensorflow as tf
import numpy as np

dataset = tf.data.Dataset.from_tensor_slices(np.array([1.0, 2.0, 3.0, 4.0, 5.0]))
iterator = dataset.make_one_shot_iterator()  # 從dataset中實例化一個iterator，只能從頭到尾取一次,指名了順序
one_element = iterator.get_next()  # 從iterator中取一個元素
with tf.Session() as sess:
    try:
        for i in range(5):
            print(sess.run(one_element))
    except tf.errors.OutOfRangeError:   # iterator迭代完會拋出此異常
        print("數據迭代完了")

 

dataset = tf.data.Dataset.from_tensor_slices(np.random.uniform(size=(5, 2)))

數據的第一維度是個數，這個函數會切分第一維度，最后生成的dataset中含有5個元素，每個元素的形狀是（2，）

dataset = tf.data.Dataset.from_tensor_slices(
    {
        "a": np.array([1.0, 2.0, 3.0, 4.0, 5.0]),                                       
        "b": np.random.uniform(size=(5, 2))
    })

tf.data.Dataset.from_tensor_slices的參數，可以是列表也可以是字典，{"image": "image_tensor", "label": "label_tensor"}

Trainformation

　　Dataset支持一類特殊的操作Trainformation，即一個Dataset通過Trainformation變成一個新的Dataset，可以理解為數據變換，對Dataset中的元素做變換（打亂、生成epoch...等操作）。

常用的Trainformation有：

• map
• batch
• shuffle
• repeat

1、dataset.map

　　這個函數很重要也經常用到，他接收一個函數，Dataset中的每一個元素都會被當做這個函數的輸入，並將函數返回值作為新的Dataset，

例如：對dataset中每一個元素的值加1

dataset = tf.data.Dataset.from_tensor_slices(np.array([1.0, 2.0, 3.0, 4.0, 5.0]))
dataset = dataset.map(lambda x: x + 1) # 2.0, 3.0, 4.0, 5.0, 6.0

2、dataset.batch 

　　batch就是將多個元素組合成batch，如下面的程序將dataset中的每個元素組成了大小為6的batch:

# 創建0-10的數據集，每個6個數取一個batch。
dataset = tf.data.Dataset.range(10).batch(6)
iterator = dataset.make_one_shot_iterator()
next_element = iterator.get_next()

with tf.Session() as sess:
    for i in range(2):
        value = sess.run(next_element)
        print(value)
# [0 1 2 3 4 5]
# [6 7 8 9]

tensorflow很好的幫我們自動處理最后的一個batch，但是，上面的for循環次數超過2，會報錯，超過范圍了，沒值可取。

4、datasets.repeat 

　　repeat的功能就是將整個序列重復多次，主要用來處理機器學習中的epoch，假設原先的數據是一個epoch，使用repeat(5)就可以將之變成5個epoch，當for循環取值超過一個epoch的時候，會開始下一個epoch。

dataset = tf.data.Dataset.range(10).batch(6)
dataset = dataset.repeat(2)
iterator = dataset.make_one_shot_iterator()
next_element = iterator.get_next()

with tf.Session() as sess:
    for i in range(4):
        value = sess.run(next_element)
        print(value)
# [0 1 2 3 4 5]
# [6 7 8 9]
# [0 1 2 3 4 5]
# [6 7 8 9]

repeat只是將數據集重復了指定的次數，但是如果for循環大於4還是會報錯，所以簡單的方法是repeat不設次數，生成的序列就會無限重復下去，沒有結束，因此也不會拋出tf.errors.OutOfRangeError異常：dataset = dataset.repeat()

dataset = tf.data.Dataset.range(10).batch(6)
dataset = dataset.repeat()
iterator = dataset.make_one_shot_iterator()
next_element = iterator.get_next()

with tf.Session() as sess:
    for i in range(6):
        value = sess.run(next_element)
        print(value)
# [0 1 2 3 4 5]
# [6 7 8 9]
# [0 1 2 3 4 5]
# [6 7 8 9]
# [0 1 2 3 4 5]
# [6 7 8 9]

3、dataset.shuffle 

　　打亂dataset中的元素，它有一個參數buffer_size表示打亂順序，buffer_size=1表示不打亂順序，buffer_size越大，打亂程度越大，不設置會報錯：

dataset = dataset.shuffle(buffer_size=10000)

shuffle打亂順序很重要，建議先打亂順序，再batch取值，因為如果是先執行batch操作的話，那么此時就只是對batch進行shuffle，而batch里面的數據順序依舊是有序的，那么隨機程度會減弱。

　　建議：dataset = tf.data.Dataset.range(10).shuffle(10).batch(6)

讀入磁盤圖片與對應label

我們可以來考慮一個簡單，但同時也非常常用的例子：讀入磁盤中的圖片和圖片相應的label，並將其打亂，組成batch_size=32的訓練樣本。在訓練時重復10個epoch。 

# 函數的功能時將filename對應的圖片文件讀進來，並縮放到統一的大小
def _parse_function(filename, label):
    image_string = tf.read_file(filename)
    image_decoded = tf.image.decode_image(image_string)
    image_resized = tf.image.resize_images(image_decoded, [28, 28])
    return image_resized, label


# 圖片文件的列表
filenames = tf.constant(["/var/data/image1.jpg", "/var/data/image2.jpg", ...])
# label[i]就是圖片filenames[i]的label
labels = tf.constant([0, 37, ...])

# filename是圖片的文件名，label是圖片對應的標簽
dataset = tf.data.Dataset.from_tensor_slices((filenames, labels))

# 將filename對應的圖片讀入，並縮放為28x28的大小，
dataset = dataset.map(_parse_function)

# 在每個epoch內將圖片打亂組成大小為32的batch，並重復10次。
# image_resized_batch(32, 28, 28, 3)，label_batch(32, )
dataset = dataset.shuffle(buffer_size=1000).batch(32).repeat(10)

Dataset的其他創建方法

除了tf.data.Dataset.from_tensor_slices外，目前Dataset API還提供了另外三種創建Dataset的方式：

• tf.data.TextLineDataset()：這個函數的輸入是一個文件的列表，輸出是一個dataset。dataset中的每一個元素就對應了文件中的一行。可以使用這個函數來讀入CSV文件。
• tf.data.FixedLengthRecordDataset()：這個函數的輸入是一個文件的列表和一個record_bytes，之后dataset的每一個元素就是文件中固定字節數record_bytes的內容。通常用來讀取以二進制形式保存的文件，如CIFAR10數據集就是這種形式。
• tf.data.TFRecordDataset()：顧名思義，這個函數是用來讀TFRecord文件的，dataset中的每一個元素就是一個TFExample。

iterator

在非Eager模式下，最簡單的創建Iterator的方法就是通過dataset.make_one_shot_iterator()來創建一個one_shot_iterator。除了這種iterator外，還有三個更復雜的Iterator，即：

• make_initializable_iterator
• make_reinitializable_iterator
• make_feedable_iterator 

initializable_iterator必須要在使用前通過sess.run()來初始化。使用initializable iterator，可以將placeholder-feed_dict代入Iterator中，這可以方便我們通過參數快速定義新的Iterator。一個簡單的initializable_iterator使用示例:

limit = tf.placeholder(dtype=tf.int32, shape=[])
# 此時的limit相當於一個“可變參數”，它規定了Dataset中數的“上限”。
dataset = tf.data.Dataset.from_tensor_slices(tf.range(start=0, limit=limit))
iterator = dataset.make_initializable_iterator()
next_element = iterator.get_next()

with tf.Session() as sess:
    # 初始化並feed initializable_iterator
    sess.run(iterator.initializer, feed_dict={limit: 10})
    for i in range(10):
      value = sess.run(next_element)
      assert i == value

initializable_iterator還有一個功能：讀入較大的數組。

在使用tf.data.Dataset.from_tensor_slices(array)時，實際上發生的事情是將array作為一個tf.constants保存到了計算圖中。當array很大時，會導致計算圖變得很大，給傳輸、保存帶來不便。這時，我們可以用一個placeholder取代這里的array，並使用initializable_iterator，只在需要時將array傳進去，這樣就可以避免把大數組保存在圖里，示例代碼為（來自官方例程）：

# 讀取numpy數據
with np.load("/var/data/training_data.npy") as data:
  features = data["features"]
  labels = data["labels"]

# 查看圖像和標簽維度是否保持一致
assert features.shape[0] == labels.shape[0]

# 創建placeholder
features_placeholder = tf.placeholder(features.dtype, features.shape)
labels_placeholder = tf.placeholder(labels.dtype, labels.shape)

# 創建dataset
dataset = tf.data.Dataset.from_tensor_slices((features_placeholder, labels_placeholder))

# 批量讀取,打散數據,repeat()
dataset = dataset.shuffle(20).batch(5).repeat()

# [Other transformations on `dataset`...]
dataset_other = ...

iterator = dataset.make_initializable_iterator()
data_element = iterator.get_nex()

sess = tf.Session()
# 注意迭代器要在循環語句之前初始化
sess.run(iterator.initializer, feed_dict={features_placeholder: features,
                                          labels_placeholder: labels})

for e in range(EPOCHS):
    for step in range(num_batches):
        x_batch, y_batch = sess.run(data_element)
        y_pred = model(x_batch)
        ...
...

sess.close()

自定義方法

上面幾種方法，都是官方可調用的方法，如果大家想自定義可以參考我的代碼，這段代碼是從tensorflow教程中偷來的。代碼太長我的折疊起來了哈，這段代碼大家可以直接拿去用（親測可用）。

import numpy as np
from tensorflow.contrib.learn.python.learn.datasets import base
from tensorflow.python.framework import dtypes


class DataSet(object):

    def __init__(self,
                 datapoints,
                 labels,
                 fake_data=False,
                 one_hot=False,
                 dtype=dtypes.float32):
        """Construct a DataSet.
        one_hot arg is used only if fake_data is true.  `dtype` can be either
        `uint8` to leave the input as `[0, 255]`, or `float32` to rescale into
        `[0, 1]`.
        """
        dtype = dtypes.as_dtype(dtype).base_dtype
        if dtype not in (dtypes.uint8, dtypes.float32):
            raise TypeError('Invalid image dtype %r, expected uint8 or float32' %
                            dtype)

        if labels is None:
            labels = np.zeros((len(datapoints),))

        if fake_data:
            self._num_examples = 10000
            self.one_hot = one_hot
        else:
            assert datapoints.shape[0] == labels.shape[0], (
                    'datapoints.shape: %s labels.shape: %s' % (datapoints.shape, labels.shape))
            self._num_examples = datapoints.shape[0]

        self._datapoints = datapoints
        self._labels = labels
        self._epochs_completed = 0
        self._index_in_epoch = 0

    @property
    def datapoints(self):
        return self._datapoints

    @property
    def labels(self):
        return self._labels

    @property
    def num_examples(self):
        return self._num_examples

    @property
    def epochs_completed(self):
        return self._epochs_completed

    def next_batch(self, batch_size, fake_data=False, shuffle=True):
        """Return the next `batch_size` examples from this data set."""
        if fake_data:
            fake_image = [1] * 784
            if self.one_hot:
                fake_label = [1] + [0] * 9
            else:
                fake_label = 0
            return [fake_image for _ in range(batch_size)], [
                fake_label for _ in range(batch_size)
            ]
        start = self._index_in_epoch
        # Shuffle for the first epoch
        if self._epochs_completed == 0 and start == 0 and shuffle:
            perm0 = np.arange(self._num_examples)
            np.random.shuffle(perm0)
            self._datapoints = self.datapoints[perm0]
            self._labels = self.labels[perm0]
        # Go to the next epoch
        if start + batch_size > self._num_examples:     # 如果初始epoch+batch_size(0+128)>樣本總數
            # Finished epoch
            self._epochs_completed += 1
            # Get the rest examples in this epoch
            rest_num_examples = self._num_examples - start
            datapoints_rest_part = self._datapoints[start:self._num_examples]
            labels_rest_part = self._labels[start:self._num_examples]
            # Shuffle the data
            if shuffle:
                perm = np.arange(self._num_examples)
                np.random.shuffle(perm)
                self._datapoints = self.datapoints[perm]
                self._labels = self.labels[perm]
            # Start next epoch
            start = 0
            self._index_in_epoch = batch_size - rest_num_examples
            end = self._index_in_epoch
            datapoints_new_part = self._datapoints[start:end]
            labels_new_part = self._labels[start:end]
            return np.concatenate((datapoints_rest_part, datapoints_new_part), axis=0), np.concatenate(
                (labels_rest_part, labels_new_part), axis=0)
        else:
            self._index_in_epoch += batch_size
            end = self._index_in_epoch
            return self._datapoints[start:end], self._labels[start:end]

想要真正弄懂建議自己寫一個，雖然上面那個已經寫的非常完美了。

• 要求1：每一個epoch之后都要shuff數據，
• 要求2：訓練數據集不用去batch_size的整數。

 打亂順序

def shuffle_set(train_image, train_label, test_image, test_label):
    train_row = range(len(train_label))
    random.shuffle(train_row)
    train_image = train_image[train_row]
    train_label = train_label[train_row]
    
    test_row = range(len(test_label))
    random.shuffle(test_row)
    test_image = test_image[test_row]
    test_label = test_label[test_row]
    return train_image, train_label, test_image, test_label

 取下一個batch

def get_batch(image, label, batch_size, now_batch, total_batch):
    if now_batch < total_batch-1:
        image_batch = image[now_batch*batch_size:(now_batch+1)*batch_size]
        label_batch = label[now_batch*batch_size:(now_batch+1)*batch_size]
    else:
        image_batch = image[now_batch*batch_size:]
        label_batch = label[now_batch*batch_size:]
    return image_batch, label_batch

epoch、 iteration和batchsize的區別：epoch是周期的意思，代表要重復訓練epoch次，每個epoch包括樣本數/batch個iteration

總結

本文主要介紹了tensortlfow三種讀取數據方式的，placehold-feed_dict，queue隊列還介紹了Dataset API的基本架構：Dataset類和Iterator類，以及它們的基礎使用方法。 

在非Eager模式下，Dataset中讀出的一個元素一般對應一個batch的Tensor，我們可以使用這個Tensor在計算圖中構建模型。 
在Eager模式下，Dataset建立Iterator的方式有所不同，此時通過讀出的數據就是含有值的Tensor，方便調試。

參考文獻

Tensorflow將自己的數據分割成batch訓練

何之源的知乎文章：Dataset API入門教程