實驗環境：windows 7，anaconda 3(Python 3.5)，tensorflow（gpu/cpu）
函式：
tf.FIFOQueue(capacity,dtypes,shapes)，tf.RandomShuffleQueue(capacity,min_after_dequeue,dtypes,shapes)
tf.FIFOQueue.enqueue(vals),tf.FIFOQueue.enqueue_many(vals),tf.FIFOQueue.dequeue()
tf.train.Coordinator()，tf.train.QueueRunner(queue,enqueue_ops)，
tf.train.QueueRunner.create_threads(sess,coord,start)
定義多個執行緒來填充樣本到佇列，再從佇列中獲取一批資料的基本思路如下：

"""顯式建立QueueRunner"""
import tensorflow as tf
import numpy as np
#建立session
sess = tf.InteractiveSession()
#建立資料
data = [[i,i+1,i+2,i+3] for i in range(1,11)]#10行4列資料
label = np.random.randint(0,2,10)
#建立佇列

#方法1：建立先入先出佇列
#capacity表示佇列容量，dtypes表示入隊的資料型別(兩種分別是data,label的資料型別),
#shapes表示佇列每一項有幾列([4],[]表示讀入的data和label的每一項分別4列和1列)
 

q = tf.FIFOQueue(capacity=5,dtypes=[tf.float32,tf.int32],shapes=[[4],[]])

#方法2：建立隨機佇列
#capacity,dtypes,shapes同上，min_after_dequeue的意思是佇列至少要留下的項數
# q = tf.RandomShuffleQueue(capacity=5,min_after_dequeue=1,dtypes=[tf.float32,tf.int32],shapes=[[4],[]])
enqueue_op = q.enqueue_many([data,label])#定義入隊操作
qr = tf.train.QueueRunner(q,enqueue_ops=[enqueue_op]*2
 
)#建立QueueRunner.[enqueue_op]*2的意思是定義兩個入隊執行緒，並賦值給enqueue_ops
coord = tf.train.Coordinator()#建立Coordinator，用來停止兩個執行緒
enqueue_threads = qr.create_threads(sess=sess,coord=coord,start=True)#使用QueueRunner建立兩個執行緒，用start=True使執行緒全部執行
data_sample,label_sample = q.dequeue()#定義彈出佇列的每一項
step = 0
print(coord.should_stop())   
while not coord.should_stop():#判斷是否結束所有執行緒
    if step >= 20:
        coord.request_stop()#請求所有執行緒結束
    data_batch,label_batch = sess.run([data_sample,label_sample])
    print('data_batch_%d:%s,label_batch_%d:%d' % (step,data_batch,step,label_batch))
    step = step + 1
coord.join(enqueue_threads)#阻塞主執行緒，直到兩個入隊執行緒結束    
print(coord.should_stop())       

實驗結果：