Python tf.compat.v1.train.shuffle_batch用法及代码示例

通过随机打乱张量创建批次。 (已弃用)

用法

tf.compat.v1.train.shuffle_batch(
    tensors, batch_size, capacity, min_after_dequeue, num_threads=1, seed=None,
    enqueue_many=False, shapes=None, allow_smaller_final_batch=False,
    shared_name=None, name=None
)

警告：此函数已弃用。它将在未来的版本中删除。更新说明：基于队列的输入管道已替换为 tf.data 。使用 tf.data.Dataset.shuffle(min_after_dequeue).batch(batch_size) 。

此函数将以下内容添加到当前 Graph ：

• 一个洗牌队列，来自tensors 的张量被排入队列。
• 用于从队列中创建批次的 dequeue_many 操作。
• QueueRunner 到 QUEUE_RUNNER 集合，用于将来自 tensors 的张量排入队列。

如果enqueue_many 是False , tensors 则假定代表一个示例。形状为 [x, y, z] 的输入张量将作为形状为 [batch_size, x, y, z] 的张量输出。

如果enqueue_many 是True , tensors 则假设代表一批样本，其中第一个维度是按样本索引的，并且tensors 的所有成员在第一个维度中应该具有相同的大小。如果输入张量的形状为 [*, x, y, z] ，则输出的形状为 [batch_size, x, y, z] 。

capacity 参数控制允许预取增加队列的时间。

返回的操作是出队操作，如果输入队列用尽，将抛出tf.errors.OutOfRangeError。如果此操作正在提供另一个输入队列，则其队列运行器将捕获此异常，但是，如果在您的主线程中使用此操作，则您自己负责捕获此异常。

例如：

# Creates batches of 32 images and 32 labels.
image_batch, label_batch = tf.compat.v1.train.shuffle_batch(
      [single_image, single_label],
      batch_size=32,
      num_threads=4,
      capacity=50000,
      min_after_dequeue=10000)

注意：您必须确保 (i) shapes 参数被传递，或者 (ii) tensors 中的所有张量必须具有 fully-defined 形状。如果这些条件都不成立，则会引发 ValueError。

如果 allow_smaller_final_batch 为 True ，则当队列关闭且没有足够的元素填充该批次时，将返回小于 batch_size 的批次值，否则将丢弃待处理的元素。此外，通过 shape 属性访问的所有输出张量的静态形状将具有 None 的第一个 Dimension 值，并且依赖于固定 batch_size 的操作将失败。

eager模式兼容性

启用即刻执行时，不支持基于队列的输入管道。请使用tf.data API 在即刻执行下摄取数据。