Tensorflow：如何使用tf绘制小批量。火车来自cifar10的批次？

Question

我正在尝试从cifar10二进制文件中绘制小批量。当实现下面显示的代码时（请参见[源代码]），机器（python 3.6）会不断显示消息（请参见[控制台]）并停止。

有人能告诉我我的源代码有什么问题吗？

另外，我是tensorflow的新手。。

[源代码]-------------------------------------------------------------将tensorflow作为tf导入numpy作为np导入os导入matplotlib。pyplot作为plt

def_获取_图像_和_标签（）：

# directory where binary files are stored
data_dir = '/tmp/cifar10_data/cifar-10-batches-bin'

# Step1) make filename Queue
filenames = [os.path.join(data_dir, 'data_batch_%d.bin' % i) for i in range(1, 6)]
filename_queue = tf.train.string_input_producer(filenames)

# Step2) read files
label_bytes = 1  # 2 for CIFAR-100
height = 32
width = 32
depth = 3
image_bytes = height * width * depth
record_bytes = label_bytes + image_bytes

reader = tf.FixedLengthRecordReader(record_bytes=record_bytes)
key, value = reader.read(filename_queue)

# Step3) decode the file in a unit of 1 byte
record_bytes = tf.decode_raw(value, tf.uint8)

# The first bytes represent the label, which we convert from uint8->int32.
label = tf.cast(tf.strided_slice(record_bytes, [0], [label_bytes]), tf.int32)

# The remaining bytes after the label represent the image, which we reshape from [depth * height * width] to [depth, height, width].
depth_major = tf.reshape(tf.strided_slice(record_bytes, [label_bytes], [label_bytes + image_bytes]),
                         [depth, height, width])

# Convert from [depth, height, width] to [height, width, depth].
uint8image = tf.transpose(depth_major, [1, 2, 0])

# set shape ( image: tf.float32, label: tf.int32 )
image = tf.cast(uint8image, tf.float32)
image.set_shape([height, width, 3])
label.set_shape([1])

# collect batch from the files
# train_x_batch, train_y_batch = tf.train.batch([image, label], batch_size=1)
# return train_x_batch, train_y_batch

return image, label

用tf。Session（）作为sess:sess。运行（tf.global\u variables\u initializer（））

coord = tf.train.Coordinator()
threads = tf.train.start_queue_runners(sess=sess, coord=coord)

image, label = _get_image_and_label()

for i in range(10):
    image_batch, lable_batch = tf.train.batch([image, label], batch_size=1)
    image_batch_uint8 = tf.cast(image_batch, tf.uint8)
    final_image = sess.run(image_batch_uint8)
    imgplot = plt.imshow(final_image[0])

coord.request_stop()
coord.join(threads)

塞斯。关闭（）

[控制台]-----------------------------------------------------------------/首页/dooseop/anaconda3/bin/python /home/dooseop/pycharm-community-2016.3.3/helpers/pydev/pydevd.py--Multiproc--qt-support--Client127.0.0.1--port 40623--file /home/dooseop/PycharmProjects/Tensorflow/CIFAR10_main.py警告：未找到使用cython的调试器加速。运行'"/home/dooseop/anaconda3/bin/python"/home/dooseop/pycharm-Community-2016.3.3/help ers/pydev/setup_cython.py"build_ext--inplace"来构建。连接到pydev调试器（构建163.15188.4)pydev调试器：进程10992正在连接

I tensorflow/流执行器/dso加载器。cc:135]已成功打开CUDA库libcublas。所以8.0本地I tensorflow/流执行器/dso加载器。cc:135]已成功打开CUDA库libcudnn。所以5本地I tensorflow/流执行器/dso加载器。cc:135]已成功打开CUDA库libcuft。所以8.0本地I tensorflow/流执行器/dso加载器。cc:135]已成功打开CUDA库libcuda。所以1个本地I tensorflow/流执行器/dso加载器。cc:135]已成功打开CUDA库libcurand。所以8.0本地带tensorflow/core/platform/cpu功能保护。cc:45]TensorFlow库的编译不是为了使用SSE3指令，但这些指令在您的机器上可用，可以加快CPU计算速度。带tensorflow/core/platform/cpu功能保护。cc:45]TensorFlow库的编译不是为了使用SSE4。1指令，但这些指令在您的计算机上可用，可以加快CPU计算速度。带tensorflow/core/platform/cpu功能保护。cc:45]TensorFlow库的编译不是为了使用SSE4。2条指令，但这些指令在您的计算机上可用，可以加快CPU计算速度。带tensorflow/core/platform/cpu功能保护。cc:45]TensorFlow库的编译不是为了使用AVX指令，但这些指令在您的机器上可用，可以加快CPU计算速度。带tensorflow/core/platform/cpu功能保护。cc:45]TensorFlow库的编译不是为了使用AVX2指令，但这些指令在您的机器上可用，可以加快CPU计算速度。带tensorflow/core/platform/cpu功能保护。cc:45]TensorFlow库的编译不是为了使用FMA指令，但是这些指令可以在您的机器上使用，并且可以加快CPU计算。I tensorflow/stream_执行器/cuda/cuda_gpu执行器。cc:910]从SysFS成功读取的NUMA节点的值为负值（-1），但必须至少有一个NUMA节点，因此返回NUMA节点零I tensorflow/core/common_runtime/gpu/gpu_device。cc:885]找到具有以下属性的设备0：名称：GeForce GTX 1070主要：6次要：1 memoryClockRate（GHz）1.683 pciBusID 0000:01:00.0总内存：7.92GiB可用内存：7.17GiB I tensorflow/core/common_runtime/gpu/gpu_设备。cc:906]DMA:0 I tensorflow/core/common_运行时/gpu/gpu设备。cc:916]0:Y I tensorflow/core/common_运行时/gpu/gpu设备。cc:975]正在创建TensorFlow设备（/gpu:0）-

进程结束，退出代码137（被信号9打断： SIGKILL）

Answer 1

Sigkill仅在有人显式终止程序时发生。这里的问题是，在创建队列运行程序之前（因为它们是由tf.train.batch创建的），正在调用start\u queue\u运行程序。此外，为了获得更好的性能，只需构建一次图表，并在循环中运行它，如下所示：

image, label = _get_image_and_label()
image_batch, lable_batch = tf.train.batch([image, label], batch_size=1)
image_batch_uint8 = tf.cast(image_batch, tf.uint8)

coord = tf.train.Coordinator()
threads = tf.train.start_queue_runners(sess=sess, coord=coord)
for i in range(10):
    final_image = sess.run(image_batch_uint8)
    imgplot = plt.imshow(final_image[0])

coord.request_stop()
coord.join(threads)