我使用这里描述的方法来批量加载一些训练图像，基本上是这样的：

def read_my_file_format(filename_queue):  # ... 使用读取器和解码器def input_pipeline(filenames, batch_size, num_epochs=None):  filename_queue = tf.train.string_input_producer(...)  example, label = read_my_file_format(filename_queue)  example_batch, label_batch = tf.train.shuffle_batch(      [example, label], batch_size=batch_size, ...)  return example_batch, label_batchdef build_net():    batch, label = input_pipeline(...)    y = encoder(batch)  # <- 使用批次构建网络def train():  with tf.Session() as sess:    # ... 初始化变量    coord = tf.train.Coordinator()    threads = tf.train.start_queue_runners(coord=coord)    try:      while not coord.should_stop():        # ... 训练步骤    except tf.errors.OutOfRangeError:        print('训练完成 -- 达到周期限制')    finally:        coord.request_stop()    coord.join(threads)    sess.close()

这些对于训练来说都没问题——然而，我不明白如何测试生成的网络！让我困惑的是：

• input_pipeline 返回的张量是网络的一部分。对于测试，我需要替换它吗？
• 我在想是否可以为测试创建另一个 input_pipeline，即使用不同的文件名队列。然后我可以使用 tf.cond 在不同的输入批次之间切换，但这样的话：如何确保一次只耗尽一个队列？我不知道如何访问不同的队列以及如何指定它们是如何卸载的。

基本上，这个问题归结为：使用 tf.train.shuffle_batch 方法构建的网络的标准测试方法是什么？

回答：

你关于为数据集评估创建额外输入管道的想法绝对是正确的方向。使用多个输入管道是推荐的方法之一，这将包括两个过程——在一个上进行训练，在另一个上进行评估。在训练过程中使用检查点，然后每千步，代码可以尝试eval模型，对训练和测试数据集进行评估。

_{引用自文档：}

• 训练过程读取训练输入数据，并定期写入包含所有训练变量的检查点文件。
• 评估过程将检查点文件恢复到读取验证输入数据的推理模型中。

即使训练已经完成/退出后，也可以进行评估。（查看此示例）

另一个考虑是，通过共享变量，训练和评估可以在同一个图表中在同一个进程中运行，同时共享它们的训练变量！

关于你对队列耗尽的担忧，如果你将 tf.train.shuffle_batch* 的 num_threads 设置为大于1，它会同时从一个文件中读取（+比使用1个线程更快），而不是同时从N个文件中读取，（参见关于批处理的部分）。