同步讀取資料

import tensorflow as tf

# 模擬一下同步先處理資料，然後才能取訓練資料
# tensorflow中，執行操作有依賴性

# 1、首先定義佇列
Q = tf.FIFOQueue(3, tf.float32)

# 放入一些資料
enq_many = Q.enqueue_many([[0.1, 0.2, 0.3], ])

# 2、定義一些處理資料的螺距，取資料的過程    取資料， +1， 入佇列

out_q = Q.dequeue()

data = out_q + 1

en_q = Q.enqueue(data)

with tf.Session() as
 
 sess:
    # 初始化佇列
    sess.run(enq_many)

    # 處理資料
    for i in range(100):
        sess.run(en_q)

    # 訓練資料
    for i in range(Q.size().eval()):
        print(sess.run(Q.dequeue()))

非同步讀取資料

# 模擬非同步子執行緒  存入樣本  主執行緒  讀取樣本

# 1、定義一個佇列， 1000
Q = tf.FIFOQueue(1000, tf.float32)

# 2、定義子執行緒要做的事情 迴圈 值， +1， 放入隊列當中
 

var = tf.Variable(0.0)

# 實現一個自增 tf.assign_add
data = tf.assign_add(var, tf.constant(1.0))

en_q = Q.enqueue(data)

# 3、定義佇列管理器op，指定多少個子執行緒，子執行緒該幹什麼事情
qr = tf.train.QueueRunner(Q, enqueue_ops=[en_q] * 2)

# 初始化變數的op
init_op = tf.global_variables_initializer()

with tf.Session() as sess:
    # 初始化變數
    sess.
 
run(init_op)

    # 開啟執行緒管理器
    coord = tf.train.Coordinator()

    # 真正的開啟子執行緒
    threads = qr.create_threads(sess, coord=coord ,start=True)

    # 主執行緒，不斷讀取資料訓練
    for i in range(300):
        print(sess.run(Q.dequeue()))

    # 回收執行緒
    coord.request_stop()

    coord.join(threads)