training_set_name, training_set_class, training_set_image = sess.run([fR.training_set_name, fR.training_set_class, fR.training_set_image])

文件读取器类的相关代码。

def return_training_set():    image_tra_name_batch, image_tra_class_batch = labelFileBatchProcessor(50, 1, "training")files_training = filenameLister2(image_tra_name_batch)images = build_images(files_training)return image_tra_name_batch, image_tra_class_batch, imagestraining_set_name, training_set_class, training_set_image = return_training_set()

labelFileBatchProcessor函数读取csv文件，进行洗牌操作，并返回一个包含名称和标签的批次。Filenamelister()函数将这些名称转换为路径，并返回一个队列。该队列被传递给imageloader()函数，返回图像张量。

问题在于加载的图像张量与image_tra_name_batch不匹配。我认为问题出在执行build_images(files_training)时加载了另一个批次。有没有解决方法？

我希望避免将所有内容存储在一个文件中，宁愿从csv文件中读取图像名称，进行洗牌，然后读取图像。

编辑1：一些相关函数

labelFileBatchProcessor函数：

 def labelFileBatchProcessor(batch_size, num_epochs=None, what_set="training"):        if what_set == "training":            inputCsv = ["./data/BDRW_train/BDRW_train_1/labels.csv"]        elif what_set == "validation":            inputCsv = ["./data/BDRW_train/BDRW_train_2/labels.csv"]        labelFile_queue = tf.train.string_input_producer(inputCsv, num_epochs=1, shuffle=False)        image_name, image_class = labelFileInit(labelFile_queue)        min_after_dequeue = 50        capacity = min_after_dequeue + 3 * batch_size        image_name_batch, image_class_batch = tf.train.shuffle_batch(            [image_name, image_class], batch_size=batch_size, capacity=capacity,            min_after_dequeue=min_after_dequeue)        return image_name_batch, image_class_batch

filenameLister2函数：

def filenameLister2(imageNameBatch):    FILES_TRAINING = TRAINING_DIR + imageNameBatch + ".jpg"    FILES_TRAINING = tf.train.string_input_producer(FILES_TRAINING, name="CSVFilenames")    return FILES_TRAINING

build_images函数：

def build_images(files_training):image_reader = tf.WholeFileReader()_, image_file = image_reader.read(files_training)image_orig = tf.image.decode_jpeg(image_file)image = tf.image.resize_images(image_orig, [48, 48])image.set_shape((48, 48, 3))num_preprocess_threads = 1min_queue_examples = 256images = tf.train.batch([image], batch_size=BATCH_SIZE, num_threads=NUM_PREPROCESS_THREADS, capacity=BATCH_SIZE)return images

编辑2

我更新了labelFileBatchProcessor()函数，并从build_images()中移除了tf.train_batch()。这可能是由其他问题引起的。我将张量放在同一个批次中，图像仍然不匹配。

def labelFileBatchProcessor(batch_size, num_epochs=None, what_set="training"):if what_set == "training":    inputCsv = ["./data/BDRW_train/BDRW_train_1/labels.csv"]elif what_set == "validation":    inputCsv = ["./data/BDRW_train/BDRW_train_2/labels.csv"]labelFile_queue = tf.train.string_input_producer(inputCsv, num_epochs=1, shuffle=False)image_name, image_class = labelFileInit(labelFile_queue)min_after_dequeue = 50capacity = min_after_dequeue + 3 * batch_sizefilenames = [TRAINING_DIR + image_name + ".jpg"]files_training = tf.train.string_input_producer(filenames, name="CSVFilenames",  shuffle=False)images = build_images(files_training)image_name_batch, image_class_batch, images, filenames2 = tf.train.shuffle_batch(    [image_name, image_class, images, filenames], batch_size=batch_size, capacity=capacity,    min_after_dequeue=min_after_dequeue, allow_smaller_final_batch=True)return image_name_batch, image_class_batch, images, filenames2

回答：

据我所知，问题出现在输入管道中有两个独立的批处理阶段：

• image_tra_name_batch和image_tra_class_batch在labelFileBatchProcessor()中通过tf.train.shuffle_batch()进行批处理。

• images在build_images()中通过tf.train.batch()进行批处理。

因此，每个文件名和类别与每个图像之间的关联丢失了。解决此类问题的一般方法是确保训练示例的所有属性（在本例中为image_name、image_class和image）都传递给同一个tf.train.batch()（或tf.train.shuffle_batch()）调用。这样可以确保它们作为不可分割的张量元组进行预处理，并且保持关联性。