TFRecord檔案格式的介紹：http://blog.csdn.net/lovelyaiq/article/details/78711944
　　由於slim是tensorflow的高階API，使用起來比較方便，例如在卷積或全連線層的書寫時，可以大大減少程式碼量。使用slim讀取TFRecord檔案與tensorflow直接讀取還是有很大的卻別。
　　本文就以slim中的例子的flowers來說明。tfrecord中的格式定義為：

image_data = image_data = tf.gfile.FastGFile('img_path', 'rb').read()
def image_to_tfexample
 
(image_data, image_format, height, width, class_id):
  return tf.train.Example(features=tf.train.Features(feature={
      'image/encoded': bytes_feature(image_data),
      'image/format': bytes_feature(image_format),
      'image/class/label': int64_feature(class_id),
      'image/height': int64_feature(height),
      'image/width'
 
: int64_feature(width),
  }))

原始影象經過處理後，生成5個檔案。flowers_train_00000-of-00005.tfrecord到flowers_train_00004-of-00005.tfrecord。
訓練時，就要通過slim從這5個檔案中讀取資料，然後組合成batch。程式碼如下：

  # 第一步
  # 將example反序列化成儲存之前的格式。由tf完成
  keys_to_features = {
      'image/encoded': tf.FixedLenFeature((), tf.string, default_value=''),
      'image/format'
 
: tf.FixedLenFeature((), tf.string, default_value='png'),
      'image/class/label': tf.FixedLenFeature(
          [], tf.int64, default_value=tf.zeros([], dtype=tf.int64)),
  }
 # 第一步
 # 將反序列化的資料組裝成更高階的格式。由slim完成
 items_to_handlers = {
      'image': slim.tfexample_decoder.Image('image/encoded','image/format'),
      'label': slim.tfexample_decoder.Tensor('image/class/label'),
  }
# 解碼器，進行解碼
decoder = slim.tfexample_decoder.TFExampleDecoder(
      keys_to_features, items_to_handlers)
# dataset物件定義了資料集的檔案位置，解碼方式等元資訊
dataset = slim.dataset.Dataset(
      data_sources=file_pattern,
      reader=tf.TFRecordReader,
      decoder=decoder,
      num_samples=SPLITS_TO_SIZES[split_name],#訓練資料的總數
      items_to_descriptions=_ITEMS_TO_DESCRIPTIONS,
      num_classes=_NUM_CLASSES,
      labels_to_names=labels_to_names #字典形式，格式為：id:class_call,
      )
# provider物件根據dataset資訊讀取資料
provider = slim.dataset_data_provider.DatasetDataProvider(
          dataset,
          num_readers=FLAGS.num_readers,
          common_queue_capacity=20 * FLAGS.batch_size,
          common_queue_min=10 * FLAGS.batch_size)

 # 獲取資料，獲取到的資料是單個數據，還需要對資料進行預處理，組合資料
 [image, label] = provider.get(['image', 'label'])
 # 影象預處理
 image = image_preprocessing_fn(image, train_image_size, train_image_size)

 images, labels = tf.train.batch(
              [image, label],
              batch_size=FLAGS.batch_size,
              num_threads=FLAGS.num_preprocessing_threads,
              capacity=5 * FLAGS.batch_size)
 labels = slim.one_hot_encoding(
              labels, dataset.num_classes - FLAGS.labels_offset)
 batch_queue = slim.prefetch_queue.prefetch_queue(
              [images, labels], capacity=2 * deploy_config.num_clones)
 # 組好後的資料
 images, labels = batch_queue.dequeue()

　　至此，就可以使用images作為神經網路的輸入，使用labels計算損失函式等操作。