正文共1699個字，2張圖，預計閱讀時間5分鐘。

TensorFlow提供兩個類幫助實現多執行緒，一個是tf.train.Coordinator，另一個是tf.train.QueueRunner。Coordinator主要用來實現多個執行緒同時停止，QueueRunner用來建立一系列執行緒。

根據官方文件，Coordinator主要有三個方法：

1、tf.train.Coordinator.should_stop: returns True if the threads should stop.

2、tf.train.Coordinator.request_stop: requests that threads should stop.

3、tf.train.Coordinator.join: waits until the specified threads have stopped.

接下來我們實驗Coordinator，下面的程式碼主要實現每個執行緒獨立計數，當某個執行緒達到指定值的時候，所有執行緒終止：

#encoding=utf-8

import threading

import numpy as np

import tensorflow as tf

#建立一個函式實現多執行緒，引數為Coordinater和執行緒號

deffunc(coord, t_id):

count = 0

whilenot coord.should_stop(): 

print('thread ID:',t_id, 'count =', count)        

count += 1

if(count == 5): #計到5時請求終止

coord.request_stop()

coord = tf.train.Coordinator()

threads = [threading.Thread(target=func, args=(coord, i)) for i in range(4)]

#開始所有執行緒

for t in threads:    

t.start()

coord.join(threads) #等待所有執行緒結束

執行結果如下，當0號執行緒打印出4時，其他執行緒不再計數，程式終止。

QueueRunner的作用是建立一些重複進行enqueue操作的執行緒，它們通過coordinator同時結束。

#encoding=utf-8

import numpy as np

import tensorflow as tf batch_size = 2

#隨機產生一個2*2的張量

example = tf.random_normal([2,2])

#建立一個RandomShuffleQueue，引數意義參見API

q = tf.RandomShuffleQueue(    capacity=1000,    min_after_dequeue=0,    dtypes=tf.float32,    shapes=[2,2])

#enqueue op，每次push一個張量

enq_op = q.enqueue(example)

#dequeue op, 每次取出batch_size個張量

xs = q.dequeue_many(batch_size)

#建立QueueRunner，包含4個enqueue op執行緒

qr = tf.train.QueueRunner(q, [enq_op]*4) coord = tf.train.Coordinator() sess = tf.Session()

#啟動QueueRuner，開始執行緒

enq_threads = qr.create_threads(sess, coord=coord, start=True)for i in range(10):    

if coord.should_stop():        

break    print('step:', i, sess.run(xs))

#列印結果

coord.request_stop() coord.join(enq_threads)

這兩個類是實現TensorFlow pipeline的基礎，能夠高效地並行處理資料。個人認為在資料較大時，應該避免使用feed_dict。因為，feed_dict是利用python讀取資料，python讀取資料的時候，tensorflow無法計算，而且會將資料再次拷貝一份。

原文連結：https://www.jianshu.com/p/c29965e6c40c

查閱更為簡潔方便的分類文章以及最新的課程、產品資訊，請移步至全新呈現的“LeadAI學院官網”：

www.leadai.org

請關注人工智慧LeadAI公眾號，檢視更多專業文章

大家都在看