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
#将一系列的图片的绝对路径组成list
def GetImageDirList():
pass
return ImageDirList
#对于分类的任务，lable就是每个类别的号码
def GetLabelList():
pass
return labelList
#根据路径可以
def GetBatch(ImageDirList, labelList):
#第一个是我们的原始图片
imagesTensor = tf.convert_to_tensor(imageList, dtype=tf.string)
#如果进行实力分割，这个就是我们的label，也就是说，一个batch里面可以有两组图片
imagesMaskTensor = tf.convert_to_tensor(imageMaskList, dtype=tf.string)
#batch里面还可以有数字
label0Tensor = tf.convert_to_tensor(label0List, dtype=tf.int32)
label1Tensor = tf.convert_to_tensor(label1List, dtype=tf.int32)
#形成文件队列
queue = tf.train.slice_input_producer(
[imagesTensor, imagesMaskTensor, label0Tensor, label1Tensor])
# 提取图片内容和标签内容，一定注意数据之间的转化；
image_content0 = tf.read_file(queue[0])
imageData0 = tf.image.decode_jpeg(image_content, channels=3) # channels必须要制定，当时没指定，程序报错
imageData0 = tf.image.convert_image_dtype(imageData0, tf.uint8) # 图片数据进行转化，此处为了显示而转化
image_content1 = tf.read_file(queue[1])
imageData1 = tf.image.decode_jpeg(image_content, channels=3) # channels必须要制定，当时没指定，程序报错
imageData1 = tf.image.convert_image_dtype(imageData0, tf.uint8) # 图片数据进行转化，此处为了显示而转化
label0Data = tf.cast(queue[1], tf.int32)
label1Data = tf.cast(queue[2], tf.int32)
# resieze
new_size = tf.constant([imgHeight, imgWidth], dtype=tf.int32)
image0 = tf.image.resize_images(imageData0, new_size)
# 这是数据提取关键，因为设置了batch_size，决定了每次提取数据的个数，比如此处是3，则每次为3个文件
imageBatch, label0Batch, label1Batch, label2Batch, label3Batch, label4Batch = \
tf.train.shuffle_batch([image0, label0Data, label1Data],
batch_size=batchSize,
capacity=2000,
min_after_dequeue=1000)
return imageBatch, label0Batch, label1Batch
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}))
