關於Tensorflow讀取資料，官網給出了三種方法：

• 供給資料(Feeding)： 在TensorFlow程式執行的每一步， 讓Python程式碼來供給資料。
• 從檔案讀取資料： 在TensorFlow圖的起始， 讓一個輸入管線從檔案中讀取資料。
• 預載入資料： 在TensorFlow圖中定義常量或變數來儲存所有資料(僅適用於資料量比較小的情況)。
  對於資料量較小而言，可能一般選擇直接將資料載入進記憶體，然後再分batch輸入網路進行訓練（tip:使用這種方法時，結合yield 使用更為簡潔，大家自己嘗試一下吧，我就不贅述了）。但是，如果資料量較大，這樣的方法就不適用了，因為太耗記憶體，所以這時最好使用tensorflow提供的佇列queue，也就是第二種方法 從檔案讀取資料。對於一些特定的讀取，比如csv檔案格式，官網有相關的描述，在這兒我介紹一種比較通用，高效的讀取方法（官網介紹的少），即使用tensorflow內定標準格式——TFRecords
  太長不看，直接看原始碼請猛戳我的
  github，記得加星哦。

TFRecords

TFRecords其實是一種二進位制檔案，雖然它不如其他格式好理解，但是它能更好的利用記憶體，更方便複製和移動，並且不需要單獨的標籤檔案（等會兒就知道為什麼了）… …總而言之，這樣的檔案格式好處多多，所以讓我們用起來吧。
TFRecords檔案包含了tf.train.Example 協議記憶體塊(protocol buffer)(協議記憶體塊包含了欄位 Features)。我們可以寫一段程式碼獲取你的資料， 將資料填入到Example協議記憶體塊(protocol buffer)，將協議記憶體塊序列化為一個字串， 並且通過tf.Python_io.TFRecordWriter 寫入到TFRecords檔案。
從TFRecords檔案中讀取資料， 可以使用tf.TFRecordReader的tf.parse_single_example解析器。這個操作可以將Example協議記憶體塊(protocol buffer)解析為張量。
接下來，讓我們開始讀取資料之旅吧~

生成TFRecords檔案

我們使用tf.train.Example來定義我們要填入的資料格式，然後使用tf.Python_io.TFRecordWriter來寫入。

import os
import tensorflow as tf
from PIL import Image
cwd = os.getcwd()
'''
此處我載入的資料目錄如下：
0 -- img1.jpg
img2.jpg
img3.jpg
...
1 -- img1.jpg
img2.jpg
...
2 -- ...
...
'''
writer = tf.Python_io.TFRecordWriter("train.tfrecords")
for index, name in enumerate(classes):
    class_path = cwd + name + "/"
    for img_name in os.listdir(class_path):
        img_path = class_path + img_name
        img = Image.open(img_path)
        img = img.resize((224, 224))
        img_raw = img.tobytes()              #將圖片轉化為原生bytes
        example = tf.train.Example(features=tf.train.Features(feature={
                         "label": tf.train.Feature(int64_list=tf.train.Int64List(value=[index])),
                         'img_raw': tf.train.Feature(bytes_list=tf.train.BytesList(value=[img_raw]))
                         }))
writer.write(example.SerializeToString())  #序列化為字串
writer.close()

關於Example Feature的相關定義和詳細內容，我推薦去官網檢視相關API。
基本的，一個Example中包含Features，Features裡包含Feature（這裡沒s）的字典。最後，Feature裡包含有一個 FloatList， 或者ByteList，或者Int64List
就這樣，我們把相關的資訊都存到了一個檔案中，所以前面才說不用單獨的label檔案。而且讀取也很方便。

for serialized_example in tf.Python_io.tf_record_iterator("train.tfrecords"):
    example = tf.train.Example()
    example.ParseFromString(serialized_example)
    image = example.features.feature['image'].bytes_list.value
    label = example.features.feature['label'].int64_list.value
    # 可以做一些預處理之類的
    print image, label

使用佇列讀取

一旦生成了TFRecords檔案，接下來就可以使用佇列（queue）讀取資料了。

def read_and_decode(filename):
    #根據檔名生成一個佇列
    filename_queue = tf.train.string_input_producer([filename])
    reader = tf.TFRecordReader()
    _, serialized_example = reader.read(filename_queue)  #返回檔名和檔案
    features = tf.parse_single_example(serialized_example,
                                       features={
                                       'label': tf.FixedLenFeature([], tf.int64),
                                       'img_raw' : tf.FixedLenFeature([], tf.string),
                                       })
    img = tf.decode_raw(features['img_raw'], tf.uint8)
    img = tf.reshape(img, [224, 224, 3])
    img = tf.cast(img, tf.float32) * (1. / 255) - 0.5
    label = tf.cast(features['label'], tf.int32)
    return img, label

之後我們可以在訓練的時候這樣使用

img, label = read_and_decode("train.tfrecords")
#使用shuffle_batch可以隨機打亂輸入
img_batch, label_batch = tf.train.shuffle_batch([img, label],
batch_size=30, capacity=2000,
min_after_dequeue=1000)
init = tf.initialize_all_variables()
with tf.Session() as sess:
    sess.run(init)
    threads = tf.train.start_queue_runners(sess=sess)
    for i in range(3):
       val, l= sess.run([img_batch, label_batch])
      #我們也可以根據需要對val， l進行處理
      #l = to_categorical(l, 12)
      print(val.shape, l)

至此，tensorflow高效從檔案讀取資料差不多完結了。
恩？等等…什麼叫差不多？對了，還有幾個注意事項：
第一，tensorflow裡的graph能夠記住狀態（state），這使得TFRecordReader能夠記住tfrecord的位置，並且始終能返回下一個。而這就要求我們在使用之前，必須初始化整個graph，這裡我們使用了函式tf.initialize_all_variables()來進行初始化。
第二，tensorflow中的佇列和普通的佇列差不多，不過它裡面的operation和tensor都是符號型的（symbolic），在呼叫sess.run()時才執行。
第三， TFRecordReader會一直彈出佇列中檔案的名字，直到佇列為空。

總結

1. 生成tfrecord檔案
2. 定義record reader解析tfrecord檔案
3. 構造一個批生成器（batcher）
4. 構建其他的操作
5. 初始化所有的操作
6. 啟動QueueRunner

引用：http://blog.csdn.net/u012759136/article/details/52232266