Tensorflow多线程输入数据处理框架（一）——队列与多线程

参考书

《TensorFlow：实战Google深度学习框架》（第2版）

对于队列，修改队列状态的操作主要有Enqueue、EnqueueMany和Dequeue。以下程序展示了如何使用这些函数来操作一个队列。

#!/usr/bin/env python
# -*- coding: UTF-8 -*-
# coding=utf-8 """
@author: Li Tian
@contact: [email protected]
@software: pycharm
@file: queue_operate.py
@time: 2019/1/31 21:32
@desc: 操作一个队列
"""import tensorflow as tf# 创建一个先进先出的队列，指定队列中最多可以保存两个元素，并指定类型为整数
q = tf.FIFOQueue(2, "int32")
# 使用enqueue_many函数来初始化队列中的元素。和变量初始化类似，在使用队列之前需要明确的调用这个初始化过程。
init = q.enqueue_many(([0, 10],))
# 使用Dequeue函数将队列中的第一个元素出队列。这个元素的值将被存在变量x中
x = q.dequeue()
# 将得到的值+1
y = x + 1
# 将+1后的值再重新加入队列。
q_inc = q.enqueue([y])with tf.Session() as sess:# 运行初始化队列的操作
    init.run()for _ in range(5):# 运行q_inc将执行数据出队列、出队的元素+1、重新加入队列的整个过程。v, _ = sess.run([x, q_inc])# 打印出队元素的取值print(v)

运行结果：

​

tf.Coordinator主要用于协同多个线程一起停止，以下程序展示了如何使用tf.Coordinator。

#!/usr/bin/env python
# -*- coding: UTF-8 -*-
# coding=utf-8 """
@author: Li Tian
@contact: [email protected]
@software: pycharm
@file: coordinator_test1.py
@time: 2019/2/2 21:35
@desc: tf.Coordinator主要用于协同多个线程一起停止，以下程序展示了如何使用tf.Coordinator
"""import tensorflow as tf
import numpy as np
import threading
import time# 线程中运行的程序，这个程序每隔1秒判断是否需要停止并打印自己的ID。
def MyLoop(coord, worker_id):# 使用tf.Coordinator类提供的协同工具判断当前线程是否需要停止while not coord.should_stop():# 随机停止所有的线程。if np.random.rand() < 0.1:print("Stoping from id: %d
" % worker_id)# 调用coord.request_stop()函数来通知其他线程停止。
            coord.request_stop()else:# 打印当前线程的Id。print("Working on id: %d
" % worker_id)# 暂停1秒time.sleep(1)# 声明一个tf.train.Coordinator类来协同多个线程。
coord = tf.train.Coordinator()
# 声明创建5个线程。
threads = [threading.Thread(target=MyLoop, args=(coord, i, )) for i in range(5)]
# 启动所有的线程
for t in threads:t.start()
# 等待所有线程退出
coord.join(threads)

 运行结果：

​

 如何使用tf.QueueRunner和tf.Coordinator来管理多线程队列操作。

#!/usr/bin/env python
# -*- coding: UTF-8 -*-
# coding=utf-8 """
@author: Li Tian
@contact: [email protected]
@software: pycharm
@file: queuerunner_test1.py
@time: 2019/2/3 12:31
@desc: 如何使用tf.QueueRunner和tf.Coordinator来管理多线程队列操作。
"""import tensorflow as tf# 声明一个先进先出的队列，队列中最多100个元素，类型为实数
queue = tf.FIFOQueue(100, "float")
# 定义队列的入队操作
enqueue_op = queue.enqueue([tf.random_normal([1])])# 使用tf.train.QueueRunner来创建多个线程运行队列的入队操作。
# tf.train.QueueRunner的第一个参数给出了被操作的队列，[enqueue_op] * 5
# 表示了需要启动5个线程，每个线程中运行的是enqueue_op操作
qr = tf.train.QueueRunner(queue, [enqueue_op] * 5)# 将定义过的QueueRunner加入Tensorflow计算图上指定的集合。
# tf.train.add_queue_runner函数没有指定集合
# 则加入默认集合tf.GraphKeys.QUEUE_RUNNERS。下面的函数就是将刚刚定义的
# qr加入默认的tf.GraphKeys.QUEUE_RUNNER集合。
tf.train.add_queue_runner(qr)
# 定义出队操作
out_tensor = queue.dequeue()with tf.Session() as sess:# 使用tf.train.Coordinator来协同启动的线程。coord = tf.train.Coordinator()# 使用tf.train.QueueRunner时，需要明确调用tf.train.start_queue_runners# 来启动所有线程。否则因为没有线程运行入队操作，当调用出队操作的时候，程序会一直# 等待入队操作被运行。tf.train.start_queue_runners函数会默认启动# tf.GraphKeys.QUEUE_RUNNERS集合中所有的QueueRunner。因为这个函数值支持启动# 指定集合中的QueueRunner，所以一般来说tf.train.add_queue_runner函数和# tf.trian.start_queue_runners函数会指定同一个集合。threads = tf.train.start_queue_runners(sess=sess, coord=coord)# 获取队列中的取值。for _ in range(3):print(sess.run(out_tensor)[0])# 使用tf.train.Coordinator来停止所有的线程
    coord.request_stop()coord.join(threads)

  运行结果：

​