我在我的 TF 网络中读取图像，但我也需要与之关联的标签。
所以我尝试按照这个回答来做，但输出的标签实际上与我在每个批次中获取的图像不匹配。
我的图像名称格式为dir/3.jpg，所以我只是从图像文件名中提取标签。
truth_filenames_np = ...truth_filenames_tf = tf.convert_to_tensor(truth_filenames_np)# 获取标签labels = [f.rsplit("/", 1)[1] for f in truth_filenames_np]labels_tf = tf.convert_to_tensor(labels)# *** 这一行应该确保两个输入张量同步（根据我的有限理解）# 我的列表也已经打乱，所以我设置了shuffle=Falsetruth_image_name, truth_label = tf.train.slice_input_producer([truth_filenames_tf, labels_tf], shuffle=False)truth_image_value = tf.read_file(truth_image_name)truth_image = tf.image.decode_jpeg(truth_image_value)truth_image.set_shape([IMAGE_DIM, IMAGE_DIM, 3])truth_image = tf.cast(truth_image, tf.float32)truth_image = truth_image/255.0# 另一个关键步骤，我将它们批处理在一起truth_images_batch, truth_label_batch = tf.train.batch([truth_image, truth_label], batch_size=mb_size)with tf.Session() as sess: sess.run(tf.global_variables_initializer()) coord = tf.train.Coordinator() threads = tf.train.start_queue_runners(coord=coord) for i in range(epochs): print "Epoch ", i X_truth_batch = truth_images_batch.eval() X_label_batch = truth_label_batch.eval() # 在这里我显示这个批次中的所有图像，然后我检查它们实际上是哪些文件号。 # 但是，显示的图像与X_label_batch打印的内容不对应！ print X_label_batch plot_batch(X_truth_batch) coord.request_stop() coord.join(threads)我做错了什么，还是slice_input_producer实际上并不能确保其输入张量同步？
补充说明：
我还注意到，当我从tf.train.batch获取一个批次时，批次中的元素在原始列表中是相邻的，但批次的顺序并不是原始顺序。例如：如果我的数据是[“dir/1.jpg”, “dir/2.jpg”, “dir/3.jpg”, “dir/4.jpg”, “dir/5.jpg, “dir/6.jpg”]，那么我可能会得到批次（batch_size=2）[“dir/3.jpg”, “dir/4.jpg”]，然后是批次[“dir/1.jpg”, “dir/2.jpg”]，最后是最后一个批次。所以这使得即使只是使用FIFO队列来处理标签也变得困难，因为顺序与批次顺序不匹配。
回答：
这是一个可以重现问题的完整可运行示例：
import tensorflow as tftruth_filenames_np = ['dir/%d.jpg' % j for j in range(66)]truth_filenames_tf = tf.convert_to_tensor(truth_filenames_np)# 获取标签labels = [f.rsplit("/", 1)[1] for f in truth_filenames_np]labels_tf = tf.convert_to_tensor(labels)# 我的列表也已经打乱，所以我设置了shuffle=Falsetruth_image_name, truth_label = tf.train.slice_input_producer( [truth_filenames_tf, labels_tf], shuffle=False)# # 另一个关键步骤，我将它们批处理在一起# truth_images_batch, truth_label_batch = tf.train.batch(# [truth_image_name, truth_label], batch_size=11)epochs = 7with tf.Session() as sess: sess.run(tf.global_variables_initializer()) coord = tf.train.Coordinator() threads = tf.train.start_queue_runners(coord=coord) for i in range(epochs): print("Epoch ", i) X_truth_batch = truth_image_name.eval() X_label_batch = truth_label.eval() # 在这里我显示这个批次中的所有图像，然后我检查 # 它们实际上是哪些文件号。 # 但是，显示的图像与X_label_batch打印的内容不对应！ print(X_truth_batch) print(X_label_batch) coord.request_stop() coord.join(threads)这打印的内容是：
Epoch 0b'dir/0.jpg'b'1.jpg'Epoch 1b'dir/2.jpg'b'3.jpg'Epoch 2b'dir/4.jpg'b'5.jpg'Epoch 3b'dir/6.jpg'b'7.jpg'Epoch 4b'dir/8.jpg'b'9.jpg'Epoch 5b'dir/10.jpg'b'11.jpg'Epoch 6b'dir/12.jpg'b'13.jpg'所以基本上每次eval调用都会再次运行操作！添加批处理对这一点没有影响 – 只是打印批次（前11个文件名后面跟着下11个标签，依此类推）
我看到的解决方法是：
for i in range(epochs): print("Epoch ", i) pair = tf.convert_to_tensor([truth_image_name, truth_label]).eval() print(pair[0]) print(pair[1])这正确地打印了：
Epoch 0b'dir/0.jpg'b'0.jpg'Epoch 1b'dir/1.jpg'b'1.jpg'# ...但对违反最少惊讶原则没有任何帮助。
编辑：还有另一种方法：
import tensorflow as tftruth_filenames_np = ['dir/%d.jpg' % j for j in range(66)]truth_filenames_tf = tf.convert_to_tensor(truth_filenames_np)labels = [f.rsplit("/", 1)[1] for f in truth_filenames_np]labels_tf = tf.convert_to_tensor(labels)truth_image_name, truth_label = tf.train.slice_input_producer( [truth_filenames_tf, labels_tf], shuffle=False)epochs = 7with tf.Session() as sess: sess.run(tf.global_variables_initializer()) tf.train.start_queue_runners(sess=sess) for i in range(epochs): print("Epoch ", i) X_truth_batch, X_label_batch = sess.run( [truth_image_name, truth_label]) print(X_truth_batch) print(X_label_batch)这是一个更好的方法，因为tf.convert_to_tensor和相关函数只接受相同类型/形状的张量等。
请注意，为了简化，我删除了协调器，但这会导致一个警告：
W c:\tf_jenkins\home\workspace\release-win\device\cpu\os\windows\tensorflow\core\kernels\queue_base.cc:294] _0_input_producer/input_producer/fraction_of_32_full/fraction_of_32_full: Skipping cancelled enqueue attempt with queue not closed
参见这里
