tf.train.batch 和 tf.train.batch_join的区别

返回的操作是一个出队操作，如果输入的队列被耗尽，那么这个操作会抛出tf.errors.OutOfRangeError的异常。如果这个操作供给了另一个输入队列，那么它的队列运行器（queue runner）会捕捉这个异常，但是如果这个操作在你的主线程中使用，你需要自己捕捉这个异常。

如果allow_smaller_final_batch参数为True，当队列被关闭并且没有足够的元素来填满一批次的数据的情况下，操作将会返回一个数量小于batch_size个数的批次数据，否则待处理的数据将被丢弃。除此之外，通过get_shape方法访问的所有输出的张量的静态形状的第一维将为空，依赖于固定为batch_size大小的操作将会失败。

参数：

• tensors: 入队张量的列表或字典。
• batch_size: 整数。一个从队列中出队新的批次的大小。
• num_threads:入队tensors的线程的个数。如果num_threads大于1，那么批次的数据是不确定的。
• capacity: 整数。在队列中的最大元素个数。
• enqueue_many: 在tensor_list_list中的每个张量是否是单个样本。
• shapes:(可选)每个样本的形状。默认的为tensors推断的形状。
• dynamic_pad: 布尔变量。允许输入形状的可变维度。出队时被填充到指定维度，使得一批次的张量具有相同的形状。
• allow_smaller_final_batch: (可选)布尔型变量。如果为True，允许在没有足够的元素留在队列中时，最后一批次的元素的个数比batch_size小。
• shared_name:(可选)如果被设置的话，这个队列将在多个会话中以给定的名字被共享。
• name: (可选)操作的名字。

返回：

有着与tensors参数相同类型的张量的列表或字典（除了如果输入的是一个元素的列表，那么返回的是一个张量，而不是列表）

抛出：

• ValueError: 如果形状没有被指定，并且不能从tensors的元素中推断出来。

tf.train.batch_join

batch_join(
    

tensors_list,
    

batch_size,
    

capacity=32,
   

enqueue_many=False,
    

shapes=None,
    

dynamic_pad=False,
    

allow_smaller_final_batch=False,
    

shared_name=None,
    

name=None
)

运行张量列表来填充队列，以创建样本的批次。

tensors_list参数是一个张量元组的列表，或者张量字典的列表。在列表中的每个元素被类似于tf.train.batch()函数中的tensors一样对待。

警告：这个函数是非确定性的，因为它为每个张量启动了独立的线程。

在不同的线程中入队不同的张量列表。用队列实现——队列的QueueRunner被添加到当前图的QUEUE_RUNNER集合中。

len(tensors_list)个线程被启动，第i个线程入队来自tensors_list[i]中的张量。tensors_list[i1][j]比如在类型和形状上与tensors_list[i2][j]相匹配，除了当enqueue_many参数为True的时候的第一维。

如果enqueue_many设置为False，那么每个tensors_list[i]被认为是单个样本。一个输入的张量x将被输出为形状为[batch_size] + x.shape的张量。

如果dequeue_many设置为True，那么tensors_list[i]被认为代表一个批次的样本，其中第一维是按样本编索引的，并且tensors_list[i]的所有成员都应该在第一维上有相同的大小。任何输入的张量x的切片都被当做样本，并且输出的张量的形状将是[batch_size]+x.shape[1:]。

capacity参数控制着当增长队列的时候，预分配队列的长度。

函数返回的操作是一个出队操作，并且会再输入的队列耗尽的情况下，抛出tf.errors.OutOfRangeError的异常。如果这个操作供给给其他输入队列，那么那个队列的队列运行器会捕捉这个异常，但是如果这个操作在你的主线程中操作，你需要自己负责捕捉这个异常。

注意：如果dynamic_pad参数为False，你应该确保（1）shapes参数被传递进来，（2）所有在tensors参数中的张量必须有完整定义的形状。如果上述任意一个条件没有满足，那么会抛出ValueError的异常。

如果dynamic_pad参数设置为True，那么知道tensors的秩就足够了，但是tensors的个别维度的形状可能为空（None）。这种情况下，每个有维度值为空的队列可能有一个可变的长度；在出队的时候，输出的张量将在左边填充当前最小批次中的张量的最大形状。对于数字，填充的是数值0.对于字符串，填充的是空字符串。参见PaddingFIFOQueue获得更多信息。

如果allow_smaller_final_batch参数为True，当队列被关闭并且没有足够的元素来填满一批次的数据的情况下，操作将会返回一个数量小于batch_size个数的批次数据，否则待处理的数据将被丢弃。除此之外，通过get_shape方法访问的所有输出的张量的静态形状的第一维将为空，依赖于固定为batch_size大小的操作将会失败。

返回：

与tensors_list[i]有着相同数量和类型的张量的列表或者字典。

抛出：

• ValueError: 如果形状没有被指定，并且不能从tensor_list_list中的元素推断出来。

看完上述官方文档的说明，其实还是挺蒙的，下面给一段例子，就很容易理解这两个函数了，例子的代码如下：

# -*- coding: utf-8 -*-

import tensorflow as tf

tensor_list = [[1,2,3,4], [5,6,7,8],[9,10,11,12],[13,14,15,16],[17,18,19,20]]

tensor_list2 = [[[1,2,3,4]], [[5,6,7,8]],[[9,10,11,12]],[[13,14,15,16]],[[17,18,19,20]]]

with tf.Session() as sess:

    x1 = tf.train.batch(tensor_list, batch_size=4, enqueue_many=False)

    x2 = tf.train.batch(tensor_list, batch_size=4, enqueue_many=True)

    y1 = tf.train.batch_join(tensor_list, batch_size=4, enqueue_many=False)

    y2 = tf.train.batch_join(tensor_list2, batch_size=4, enqueue_many=True)

    coord = tf.train.Coordinator()

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

    print("x1 batch:"+"-"*10)

    print(sess.run(x1))

    print("x2 batch:"+"-"*10)

    print(sess.run(x2))

    print("y1 batch:"+"-"*10)

    print(sess.run(y1))

    print("y2 batch:"+"-"*10)

    print(sess.run(y2))

    print("-"*10)

    coord.request_stop()

    coord.join(threads)

上述例子的输出类似如下这样：

x1 batch:----------

[array([[1, 2, 3, 4],

       [1, 2, 3, 4],

       [1, 2, 3, 4],

       [1, 2, 3, 4]]), array([[5, 6, 7, 8],

       [5, 6, 7, 8],

       [5, 6, 7, 8],

       [5, 6, 7, 8]]), array([[ 9, 10, 11, 12],

       [ 9, 10, 11, 12],

       [ 9, 10, 11, 12],

       [ 9, 10, 11, 12]]), array([[13, 14, 15, 16],

       [13, 14, 15, 16],

       [13, 14, 15, 16],

       [13, 14, 15, 16]]), array([[17, 18, 19, 20],

       [17, 18, 19, 20],

       [17, 18, 19, 20],

       [17, 18, 19, 20]])]

x2 batch:----------

[array([1, 2, 3, 4]), array([5, 6, 7, 8]), array([ 9, 10, 11, 12]), array([13, 1

4, 15, 16]), array([17, 18, 19, 20])]

y1 batch:----------

[array([ 1,  9, 17,  9]), array([ 2, 10, 18, 10]), array([ 3, 11, 19, 11]), arra

y([ 4, 12, 20, 12])]

y2 batch:----------

[5 6 7 8]

----------

在enqueue_many参数设置为False（默认值）的时候，tf.train.batch的输出，是batch_size*tensor.shape，其含义就是将tensors参数看做一个样本，那么batch_size个样本，只是单一样本的复制。在其实际应用中，tensors参数一般对应的是一个文件，那么这样操作意味着从文件中读取batch_size次， 以获得一个batch的样本。

而在enqueu_many参数设置为True的时候，tf.train.batch将tensors参数看做一个batch的样本，那么batch_size只是调整一个batch中样本的维度的，因为输出的维度是batch_size*tensor.shape[1:]（可以尝试将代码例子中batch_size改成3，再看结果）。

最后需要注意的tf.train.batch的num_threads参数，指定的是进行入队操作的线程数量，可以进行多线程对于同一个文件进行操作，这样会比单一线程读取文件快。

tf.train.batch_join一般就对应于多个文件的多线程读取，可以看到当enqueue_many参数设置为False（默认值）的时候，tensor_list中每个tensor被看做单个样本，这个时候组成batch_size的一个batch的样本，是从各个单一样本中凑成一个batch_size的样本。可以看到由于是多线程，每次取值不同，也就是类似，每个tensor对应一个文件，也对应一个线程，那么组成batch的时候，该线程读取到文件（例子中是tensor的哪个值）是不确定，这样就形成了打乱的形成样本的时候。

而在enqueue_many参数设置为True的时候，取一个batch的数据，是在tensor_list中随机取一个，因为每一个就是一个batch的数据，batch_size只是觉得截断或填充这个batch的大小。

这样就很容易明白了tf.train.batch和tf.train.batch_join的区别，一般来说，单一文件多线程，那么选用tf.train.batch（需要打乱样本，有对应的tf.train.shuffle_batch）；而对于多线程多文件的情况，一般选用tf.train.batch_join来获取样本（打乱样本同样也有对应的tf.train.shuffle_batch_join使用）。