Python中TensorFlow的TFRecord和QueueRunner简介与使用

TFRecord是TensorFlow的一种二进制数据格式，用于高效存储和读取大规模数据集。它把数据序列化成tf.train.Example Protocol Buffers格式，能有效减少I/O开销，特别适合处理图像、文本等非结构化数据。

QueueRunner是TensorFlow早期版本（1.x）中用于异步数据读取和预取的核心机制。它管理着一组队列（如tf.RandomShuffleQueue），并通过启动多个线程来执行入队操作，确保训练时数据能持续供给，避免GPU等待数据。

下面是一个完整的示例，展示如何创建TFRecord文件，并使用QueueRunner配合tf.train.string_input_producer进行读取和训练：

import tensorflow as tf
import numpy as np

# 1. 创建示例TFRecord文件
def write_tfrecord(filename):
    writer = tf.python_io.TFRecordWriter(filename)
    for i in range(10):
        # 创建示例数据
        feature = {
            'label': tf.train.Feature(int64_list=tf.train.Int64List(value=[i])),
            'image': tf.train.Feature(bytes_list=tf.train.BytesList(
                value=[np.random.randn(28, 28, 3).astype(np.float32).tobytes()]))
        }
        example = tf.train.Example(features=tf.train.Features(feature=feature))
        writer.write(example.SerializeToString())
    writer.close()

# 2. 读取和解析TFRecord
def read_and_decode(filename_queue):
    reader = tf.TFRecordReader()
    _, serialized_example = reader.read(filename_queue)
    features = tf.parse_single_example(
        serialized_example,
        features={
            'label': tf.FixedLenFeature([], tf.int64),
            'image': tf.FixedLenFeature([], tf.string)
        })
    image = tf.decode_raw(features['image'], tf.float32)
    image = tf.reshape(image, [28, 28, 3])
    label = tf.cast(features['label'], tf.int32)
    return image, label

# 3. 使用QueueRunner构建输入管道
def input_pipeline(filenames, batch_size, num_epochs=None):
    filename_queue = tf.train.string_input_producer(
        filenames, num_epochs=num_epochs, shuffle=True)
    image, label = read_and_decode(filename_queue)
    
    # 使用tf.train.shuffle_batch进行批处理
    min_after_dequeue = 1000
    capacity = min_after_dequeue + 3 * batch_size
    image_batch, label_batch = tf.train.shuffle_batch(
        [image, label], batch_size=batch_size, capacity=capacity,
        min_after_dequeue=min_after_dequeue)
    
    return image_batch, label_batch

# 主程序
if __name__ == "__main__":
    # 写入示例文件
    write_tfrecord('data.tfrecord')
    
    # 构建计算图
    image_batch, label_batch = input_pipeline(['data.tfrecord'], batch_size=4)
    
    # 定义简单模型
    logits = tf.layers.dense(tf.layers.flatten(image_batch), units=10)
    loss = tf.losses.sparse_softmax_cross_entropy(labels=label_batch, logits=logits)
    train_op = tf.train.AdamOptimizer(0.001).minimize(loss)
    
    # 训练
    with tf.Session() as sess:
        sess.run(tf.global_variables_initializer())
        sess.run(tf.local_variables_initializer())  # 用于string_input_producer的epoch计数
        
        # 启动QueueRunner
        coord = tf.train.Coordinator()
        threads = tf.train.start_queue_runners(sess=sess, coord=coord)
        
        try:
            for step in range(100):
                _, loss_val = sess.run([train_op, loss])
                if step % 20 == 0:
                    print(f'Step {step}, Loss: {loss_val}')
        except tf.errors.OutOfRangeError:
            print('训练完成')
        finally:
            coord.request_stop()
            coord.join(threads)

关键点说明：

1. TFRecord创建：将每个样本包装成tf.train.Example，序列化后写入文件。
2. 数据解析：使用tf.parse_single_example解析TFRecord，恢复原始数据格式。
3. QueueRunner流程：
   • tf.train.string_input_producer创建文件名队列
   • tf.train.shuffle_batch创建样本队列
   • 必须启动tf.train.start_queue_runners才能让数据流动
4. 协调器：tf.train.Coordinator管理线程生命周期，确保程序正确退出。

注意：在TensorFlow 2.x中，推荐使用tf.data API替代QueueRunner，它提供了更简洁高效的数据管道。但理解QueueRunner有助于处理遗留代码和深入理解数据流机制。

一句话建议：对于新项目，优先使用tf.data API。