讀取數(shù)據(jù)（Reading data）

TensorFlow輸入數(shù)據(jù)的方式有四種：

tf.data API：可以很容易的構(gòu)建一個復(fù)雜的輸入通道(pipeline)（首選數(shù)據(jù)輸入方式）（Eager模式必須使用該API來構(gòu)建輸入通道） Feeding：使用Python代碼提供數(shù)據(jù)，然后將數(shù)據(jù)feeding到計算圖中。 QueueRunner：基于隊列的輸入通道（在計算圖計算前從隊列中讀取數(shù)據(jù)） Preloaded data：用一個constant常量將數(shù)據(jù)集加載到計算圖中（主要用于小數(shù)據(jù)集）

1. tf.data API

關(guān)于tf.data.Dataset的更詳盡解釋請看《programmer's guide》。tf.data API能夠從不同的輸入或文件格式中讀取、預(yù)處理數(shù)據(jù)，并且對數(shù)據(jù)應(yīng)用一些變換（例如，batching、shuffling、mapping function over the dataset），tf.data API 是舊的 feeding、QueueRunner的升級。

2. Feeding

注意：Feeding是數(shù)據(jù)輸入效率最低的方式，應(yīng)該只用于小數(shù)據(jù)集和調(diào)試（debugging）

TensorFlow的Feeding機制允許我們將數(shù)據(jù)輸入計算圖中的任何一個Tensor。因此可以用Python來處理數(shù)據(jù)，然后直接將處理好的數(shù)據(jù)feed到計算圖中 。

在run()或eval()中用feed_dict來將數(shù)據(jù)輸入計算圖：

with tf.Session(): input = tf.placeholder(tf.float32) classifier = ... print(classifier.eval(feed_dict={input: my_python_preprocessing_fn()}))

雖然你可以用feed data替換任何Tensor的值（包括variables和constants），但最好的使用方法是使用一個tf.placeholder節(jié)點（專門用于feed數(shù)據(jù)）。它不用初始化，也不包含數(shù)據(jù)。一個placeholder沒有被feed數(shù)據(jù)，則會報錯。

使用placeholder和feed_dict的一個實例（數(shù)據(jù)集使用的是MNIST）見tensorflow/examples/tutorials/mnist/fully_connected_feed.py

3. QueueRunner

注意：這一部分介紹了基于隊列（Queue）API構(gòu)建輸入通道（pipelines），這一方法完全可以使用 tf.data API來替代。

一個基于queue的從文件中讀取records的通道（pipline）一般有以下幾個步驟：

文件名列表（The list of filenames） 文件名打亂（可選）（Optional filename shuffling） epoch限制（可選）（Optional epoch limit） 文件名隊列（Filename queue） 與文件格式匹配的Reader（A Reader for the file format） decoder（A decoder for a record read by the reader） 預(yù)處理（可選）（Optional preprocessing） Example隊列（Example queue）

3.1 Filenames, shuffling, and epoch limits

對于文件名列表，有很多方法：1. 使用一個constant string Tensor（比如：["file0", "file1"]）或者 [("file%d" %i) for i in range(2)]；2. 使用 tf.train.match_filenames_once 函數(shù)；3. 使用 tf.gfile.Glob(path_pattern)