對應的程式碼流程如下：

    # 建立檔案列表，並通過檔案列表來建立檔案佇列。在呼叫輸入資料處理流程前，需要統一
    # 所有的原始資料格式，並將它們儲存到TFRecord檔案中
    # match_filenames_once 獲取符合正則表示式的所有檔案
    files = tf.train.match_filenames_once('path/to/file-*-*')
    # 將檔案列表生成檔案佇列
 

    filename_queue = tf.train.string_input_producer(files,shuffle=True)

    reader = tf.TFRecordReader()
    _, serialized_example = reader.read(filename_queue)
    # image：儲存影象中的原始資料
    # label該樣本所對應的標籤
    # width，height，channel
    features = tf.parse_single_example(serialized_example,features={
        'image'
 
 : tf.FixedLenFeature([],tf.string),
        'label': tf.FixedLenFeature([], tf.int64),
        'width': tf.FixedLenFeature([], tf.int64),
        'heigth': tf.FixedLenFeature([], tf.int64),
        'channel': tf.FixedLenFeature([], tf.int64)
    })

    image, label = features['image'], features['label'
 
]
    width, height = features['width'], features['height']
    channel = features['channel']
    # 將原始影象資料解析出畫素矩陣，並根據影象尺寸還原糖影象。
    decode_image = tf.decode_raw(image)
    decode_image.set_shape([width,height,channel])
    # 神經網路的輸入大小
    image_size = 299
    # 對影象進行預處理操作，比對亮度、對比度、隨機裁剪等操作
    distorted_image = propocess_train(decode_image,image_size,None)

    # shuffle_batch中的引數
    min_after_dequeue = 1000
    batch_size = 100
    capacity = min_after_dequeue + 3*batch_size
    image_batch,label_batch = tf.train.shuffle_batch([distorted_image,label],
                                                     batch_size=batch_size,capacity=capacity,
                                                     min_after_dequeue=min_after_dequeue)

    logit = inference(image_batch)
    loss = cal_loss(logit,label_batch)
    train_step = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss)

    with tf.Session() as sess:
        # 變數初始化
        tf.global_variables_initializer().run()
        # 執行緒初始化和啟動
        coord = tf.train.Coordinator()
        theads = tf.train.start_queue_runners(sess=sess,coord=coord)

        for i in range(STEPS):
            sess.run(train_step)
        # 停止所有執行緒
        coord.request_stop()
        coord.join(threads)