tensorflow编程: Inputs and Readers

Placeholders

tf.placeholder

插入一个坐等 被feed_dict 的 tensor占位符 。

tf.placeholder (dtype, shape=None, name=None)

import tensorflow as tfx = tf.placeholder(dtype=tf.int32)print xwith tf.Session() as sess:    print sess.run(x, feed_dict={x:[10, 20]})

Tensor("Placeholder:0", dtype=int32)[10 20]

tf.placeholder_with_default

与 tf.placeholder 不同的是，这里如果 未 被feed_dict，并不会 打印报错，而是打印出 默认数据。

tf.placeholder_with_default (input, shape, name=None)

import tensorflow as tfx = tf.placeholder_with_default(input=[3, 3], shape=(2,))print xwith tf.Session() as sess:    print sess.run(x)    print sess.run(x, feed_dict={x:[10, 20]})

# 占位符 未 被feed_dict，打印默认输出[3 3]# 占位符 被feed_dict 了，打印 所被feed_dict 的内容[10 20]

---

Readers

---

Converting

---

Example protocol buffer

---

Queues

tf.QueueBase

暂时没搞懂。。。

tf.FIFOQueue

FIFO队列 的 相关操作

tf.FIFOQueue.__init__ (capacity, dtypes, shapes=None, names=None, shared_name=None, name=’fifo_queue’)

队列属性读取：

import tensorflow as tfq = tf.FIFOQueue(capacity=3, dtypes=tf.float32)print q.dtypesprint q.nameprint q.namesprint q.queue_refprint q.shapes

队列基本操作：

[tf.float32]fifo_queueNoneTensor("fifo_queue:0", shape=(), dtype=resource)[TensorShape(None)]

import tensorflow as tf# 当后面需要调用dequeue_many接口时，初始定义的tf.FIFOQueue必须要指定shapes参数，否则会报错。q = tf.FIFOQueue(capacity=3, dtypes=tf.float32, shapes=[(),])en_m_op = q.enqueue_many(vals=([0, 0, 0],))de_op = q.dequeue()y = de_op + 1en_op = q.enqueue([y])de_m_op = q.dequeue_many(n=[3])close_op = q.close()with tf.Session() as sess:    # 多个变量入队    sess.run(en_m_op)    # 每次一个计算后的单变量入队（sess.run()会自动把en_op拓扑调用的de_op一块执行了）    sess.run(en_op)    sess.run(en_op)    sess.run(en_op)    sess.run(en_op)    # 多个变量出队并打印    print sess.run(de_m_op)    # 关闭队列    sess.run(close_op)

[ 1.  1.  2.]

tf.FIFOQueue 出入队列的具体探究：

当 shapes=[(), ()] ，入队时，由 enqueue_many 中的两个 list 各出表首元素 同时入队。由于 len(每个list) = 3 ，所以每执行一次 sess.run(enqueue_op)，就会表演 三次 双表首 同时入队 。

# coding=utf-8import tensorflow as tf# 这里的 “capacity参数项”，即指的是 有多少个 “shapes=[(), ()]”。本程序中 sess.run(enqueue_op) 出现两次，所以 capacity参数项 最低为 6，否则电脑会跑不出结果，终端打印的内容就会一直悬停在那边。queue = tf.FIFOQueue(capacity=6, dtypes=[tf.float32, tf.float32], shapes=[(), ()])enqueue_op = queue.enqueue_many([[11, 12, 13], [21, 22, 23]])for i in xrange(1, 7):    with tf.Session() as sess:        # 当 shapes=[(), ()] 时，每一次的 sess.run(enqueue_op) ，入队的内容以及顺序为：[11, 21] -> [12, 22] -> [13, 23] 。即：每次入队的内容由 shapes参数项 决定。        sess.run(enqueue_op)        sess.run(enqueue_op)        print ('\ndequeue_many({}) :'.format(i))        print sess.run(queue.dequeue_many(i))

可以看到，tf.FIFOQueue 中 shape参数项 的设置 直接决定 了 入队（enqueue）和出队（dequeue）的具体内容。

原因：shape参数项 决定了 队列管道横切面 的状况，影响了 入队 的 shape，自然影响到了 入队 的 内容；跟着也决定了 出队 的 内容。

dequeue_many(1) :[array([ 11.], dtype=float32), array([ 21.], dtype=float32)]dequeue_many(2) :[array([ 11.,  12.], dtype=float32), array([ 21.,  22.], dtype=float32)]dequeue_many(3) :[array([ 11.,  12.,  13.], dtype=float32), array([ 21.,  22.,  23.], dtype=float32)]dequeue_many(4) :[array([ 11.,  12.,  13.,  11.], dtype=float32), array([ 21.,  22.,  23.,  21.], dtype=float32)]dequeue_many(5) :[array([ 11.,  12.,  13.,  11.,  12.], dtype=float32), array([ 21.,  22.,  23.,  21.,  22.], dtype=float32)]dequeue_many(6) :[array([ 11.,  12.,  13.,  11.,  12.,  13.], dtype=float32), array([ 21.,  22.,  23.,  21.,  22.,  23.], dtype=float32)]

tf.PaddingFIFOQueue

tf.RandomShuffleQueue

tf.PriorityQueue

---

Conditional Accumulators

---

Dealing with the filesystem

tf.matching_files

tf.read_file

读取文件，返回 string型 tensor

tf.read_file(filename, name=None)

import tensorflow as tftxt_file = './1.txt'content = tf.read_file(txt_file)print contentwith tf.Session() as sess:    print sess.run(content)

Tensor("ReadFile:0", shape=(), dtype=string)Hello Tensorflow !Hello October !

tf.write_file

将 string型 tensor 写覆盖 入文件

tf.write_file (filename, contents, name=None)

import tensorflow as tftxt_file = './1.txt'with tf.Session() as sess:    sess.run(tf.write_file(txt_file, contents=tf.convert_to_tensor('Hello Petrichor !\n')))    print sess.run(tf.read_file(txt_file))

Hello Petrichor !

---

Input pipeline

tf.train.batch

将 tensor 捆成 batch_tensor 。

tf.train.batch (tensors, 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)

"""So sorry, 代码没试通，以后再回过头来琢磨到底哪出错了"""import tensorflow as tflist = [range(11, 14), range(21, 24)]q = tf.FIFOQueue(capacity=10, dtypes=[tf.float32, tf.float32], shapes=[(), ()])en_m_op = q.enqueue_many(vals=list)t_1, t_2 = q.dequeue()ele_1, ele_2 = tf.train.batch(tensors=[t_1, t_2], batch_size=2)with tf.Session() as sess:    sess.run(en_m_op)    # print sess.run([t_1, t_2])    print sess.run([ele_1, ele_2])

tf.train.maybe_batch

tf.train.batch_join

tf.train.maybe_batch_join

tf.train.shuffle_batch

tf.train.maybe_shuffle_batch

tf.train.shuffle_batch_join

tf.train.maybe_shuffle_batch_join

---

---