我使用了一个类似于这个的脚本将我的数据集转换为分片的tfrecords。但是当我尝试使用下面的脚本读取它时，tensorflow会冻结，我不得不使用kill命令终止进程。（注意：目前我正在CPU模式下工作）

    def parse_example_proto(example_serialized):    feature_map = {      'image/encoded': tf.FixedLenFeature([], dtype=tf.string,                                          default_value=''),      'image/class/label': tf.FixedLenFeature([1], dtype=tf.int64,                                              default_value=-1),      'image/class/text': tf.FixedLenFeature([], dtype=tf.string,                                             default_value=''),  }    features = tf.parse_single_example(example_serialized, feature_map)    init_image = tf.image.decode_jpeg(features['image/encoded'], channels = 3)    init_image.set_shape([800,480,3])    image = tf.reshape(init_image,tf.pack([800, 480, 3]))    float_image = tf.image.convert_image_dtype(image, dtype=tf.float32)    label = tf.cast(features['image/class/label'], dtype=tf.int32)    return float_image , label, features['image/class/text']def batch_inputs(batch_size, train,sess, num_preprocess_threads=4,                 num_readers=1):    with tf.name_scope('batch_processing'):        tf_record_pattern = os.path.join('/home/raarora/', '%s-*' % 'train')        data_files = tf.gfile.Glob(tf_record_pattern)        if data_files is None:            raise ValueError('No data files found for this dataset')#        print data_files        # Create filename_queue        if train:            filename_queue = tf.train.string_input_producer(data_files,                                                          shuffle=True,                                                          capacity=8)        else:            filename_queue = tf.train.string_input_producer(data_files,                                                          shuffle=False,                                                          capacity=1)        reader =tf.TFRecordReader()        _, example_serialized = reader.read(filename_queue)        image, label, _ = parse_example_proto(example_serialized)        examples_per_shard = 201        min_queue_examples = examples_per_shard * 2        images, labels = tf.train.shuffle_batch(            [image, label], batch_size=batch_size, num_threads=4,            capacity=min_queue_examples + 3 * batch_size,            min_after_dequeue=min_queue_examples)        print images.eval(session=sess)        return s,images,labelsif __name__ == '__main__':    sess = tf.Session()    coord = tf.train.Coordinator()    threads = tf.train.start_queue_runners(sess=sess, coord=coord)    s,_,_  = batch_inputs(2,1,sess)

回答：

我已经解决了这个问题。我原本以为TFRecord是一种类似字典的数据结构，你只需要提供所需的键，但当我提供完整的特征映射并对图像处理稍作修改后，它就工作了。

我犯的另一个错误是，queue_runner应该在调用tf.train.shuffle_batch()之后启动。我不知道这是个bug还是我理解上的差距

以下是读取数据的有效代码

def getImage(filename):    # 将文件名转换为输入管道的队列。    filenameQ = tf.train.string_input_producer([filename],num_epochs=None)    # 读取记录的对象    recordReader = tf.TFRecordReader()    # 读取单个示例的完整特征集     key, fullExample = recordReader.read(filenameQ)    # 将完整示例解析为其组件特征。    features = tf.parse_single_example(        fullExample,        features={            'image/height': tf.FixedLenFeature([], tf.int64),            'image/width': tf.FixedLenFeature([], tf.int64),            'image/colorspace': tf.FixedLenFeature([], dtype=tf.string,default_value=''),            'image/channels':  tf.FixedLenFeature([], tf.int64),                        'image/class/label': tf.FixedLenFeature([],tf.int64),            'image/class/text': tf.FixedLenFeature([], dtype=tf.string,default_value=''),            'image/format': tf.FixedLenFeature([], dtype=tf.string,default_value=''),            'image/filename': tf.FixedLenFeature([], dtype=tf.string,default_value=''),            'image/encoded': tf.FixedLenFeature([], dtype=tf.string, default_value='')        })    # 现在我们将操作标签和图像特征    label = features['image/class/label']    image_buffer = features['image/encoded']    # 解码jpeg    with tf.name_scope('decode_jpeg',[image_buffer], None):        # 解码        image = tf.image.decode_jpeg(image_buffer, channels=3)        # 并转换为单精度数据类型        image = tf.image.convert_image_dtype(image, dtype=tf.float32)    # 将图像转换为单一数组，其中每个元素对应一个像素的灰度值。     # "1-.."部分将图像反转，使背景变为黑色。    # 重新定义标签为"one-hot"向量     # 这里它将是[0,1]或[1,0]。     # 这种方法可以轻松扩展到更多类别。    image=tf.reshape(image,[height,width,3])    label=tf.pack(tf.one_hot(label-1, nClass))    return label, imagelabel, image = getImage("train-00000-of-00001")imageBatch, labelBatch = tf.train.shuffle_batch(    [image, label], batch_size=2,    capacity=20,    min_after_dequeue=10)sess = tf.InteractiveSession()sess.run(tf.initialize_all_variables())# 启动用于读取文件的线程coord = tf.train.Coordinator()threads = tf.train.start_queue_runners(sess=sess,coord=coord)batch_xs, batch_ys = sess.run([imageBatch, labelBatch])print batch_xscoord.request_stop()coord.join(threads)

注意：我对分片记录不是很清楚，所以我只使用了一个分片。

致谢给 https://agray3.github.io/2016/11/29/Demystifying-Data-Input-to-TensorFlow-for-Deep-Learning.html