在之前的文章中我們提到了TensorFlow TensorFlow 佇列與多執行緒的應用以及TensorFlow TFRecord資料集的生成與顯示，通過這些操作我們可以得到自己的TFRecord檔案，並從其中解析出單個的Image和Label作為訓練資料提供給網路模型使用，而在實際的網路訓練過程中，往往不是使用單個數據提供給模型訓練，而是使用一個數據集（mini-batch），mini-batch中的資料個數稱為batch-size。mini-batch的思想能夠有效的提高模型預測的準確率。大部分的內容和之前的操作是相同的，資料佇列中存放的還是單個的資料和標籤，只是在最後的部分將出隊的資料組合成為batch使用，下面給出從原始資料到batch的整個流程：

那麼在TensorFlow中如何實現資料的組合呢，其實就是一個函式：
tf.train.batch
或者
tf.train.shuffle_batch
這兩個函式都會生成一個佇列，入隊的資料是單個的Image和Label，而出隊的是一個batch，也已稱之為一個樣例（example）。他們唯一的區別是是否將資料順序打亂。

本文以tf.train.batch為例，定義如下：

def batch(
tensors, //張量
batch_size, //個數
num_threads=1, //執行緒數
capacity=32,//佇列長度
enqueue_many=False, 
shapes=None, 
dynamic_pad=False,
allow_smaller_final_batch=False, 
shared_name=None, 
name=None):

下面寫一個程式碼測試一下，工程目錄下有一個TFRecord資料集檔案，該程式碼主要做以下工作，從TFRecord中讀取單個數據，每四個資料組成一個batch，一共生成10個batch，將40張圖片寫入指定路徑下，命名規則為batch?size?Label?，batch和size決定了是第幾個組合中的第幾個圖，label決定資料的標籤。

import os 
import tensorflow as tf 
from PIL import Image  
import matplotlib.pyplot as plt 
import numpy as np

#路徑
swd = 'F:\\testdata\\show\\'
filename_queue = tf.train.string_input_producer(["mydata.tfrecords"]) #讀入流中
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),
                                   })  #取出包含image和label的feature物件
image = tf.decode_raw(features['img_raw'], tf.uint8)
image = tf.reshape(image, [36,136,3])
label = tf.cast(features['label'], tf.int32)

#組合batch
batch_size = 4
mini_after_dequeue = 100
capacity = mini_after_dequeue+3*batch_size

example_batch,label_batch = tf.train.batch([image,label],batch_size = batch_size,capacity=capacity)

with tf.Session() as sess: #開始一個會話
    init_op = tf.initialize_all_variables()
    sess.run(init_op)
    coord=tf.train.Coordinator()
    threads= tf.train.start_queue_runners(sess = sess,coord=coord)
    for i in range(10):#10個batch
        example, l = sess.run([example_batch,label_batch])#取出一個batch
        for j in range(batch_size):#每個batch內4張圖
            sigle_image = Image.fromarray(example[j], 'RGB')
            sigle_label = l[j]
            sigle_image.save(swd+'batch_'+str(i)+'_'+'size'+str(j)+'_'+'Label_'+str(sigle_label)+'.jpg')#存下圖片
            print(example, l)

    coord.request_stop()
    coord.join(threads)