队列(queue)本身也是图中的一个节点,是一种有状态的节点,主要包括入队节点(enqueue)和出队节点(dequeue),可以修改它的内容。enqueue操作返回计算图中的一个Operation节点,dequeue操作返回一个Tensor值。Tensor在创建时同样只是一个定义(或称为“声明”),需要放在Session中运行才能获得真正的数值。
FIFOQueue先入先出队列
import tensorflow as tf
# 创建一个先入先出的队列,指定队列最多可以保存3个元素,并指定类型为整数
q = tf.FIFOQueue(3, 'int32')
# 初始化队列中的元素,将[0,10,20]3个元素排入此队列
init = q.enqueue_many(([0, 10, 20], ))
# 将队列中的第1个元素出队列,并存入变量x中
x = q.dequeue()
# 将得到的值加1
y = x + 1
# 将加1后的值重新加入队列
q_inc = q.enqueue([y])
with tf.Session() as sess:
# 队列初始化
init.run()
for _ in range(5):
# 执行数据出队列/出队元素+1/重新加入队列的过程
v, _ = sess.run([x, q_inc])
print(v)
输出:
0
10
20
1
11
分析:队列开始有[0,10,20]三个元素,执行5次数据出队列,出队元素+1,重新加入队列的过程中:
x=0, y=1, 队列:[10,20,1]
x=10, y=11, 队列:[20,1,11]
x=20, y=21, 队列:[1,11,21]
x=1, y=2, 队列:[11,21,2]
x=11, y=12, 队列:[21,2,12]
RandomShuffleQueue随机队列
在出队列时,是以随机的顺序产生元素的。例如,我们在训练一些图像样本时,使用CNN的网络结构,希望可以无序地读入训练样本,就要用RandomShuffleQueue,每次随机产生一个训练样本。
RandomShuffleQueue在Tensorflow使用异步计算时非常重要。因为Tensorflow的会话是支持多线程的,我们可以在主线程里执行训练操作,使用RandomShuffleQueue作为训练输入,开多个线程来准备训练样本,将样本压入队列后,主线程会从队列中每次取出mini-batch的样本进行训练
q=tf.RandomShuffleQueue(capacity=10,min_after_dequeue=2,dtypes="float")#队列最大长度为10,出队后最小长度为2
sess=tf.Session()
for i in range(0,10):#10次入队
sess.run(q.enqueue(i))
for i in range(0,8):#8次出队
print(sess.run(q.dequeue()))
输出:顺序不固定的八个数
7.0
8.0
5.0
6.0
9.0
4.0
3.0
0.0
队列管理器
当数据量很大时,入队操作从硬盘中读取数据,放入内存中,主线程需要等待入队操作完成,才能进行训练操作。会话中可以运行多个线程,我们使用线程管理器QueueRunner创建一系列的新线程进行入队操作,让主线程继续使用数据,即训练网络和读取数据是异步的,主线程在训练网络,另一个线程在将数据从硬盘读入内存。
import tensorflow as tf
# 创建一个含有队列的图
q = tf.FIFOQueue(1000,"float") # 创建一个长度为1000的队列
counter = tf.Variable(0.0) # 计数器
increment_op = tf.assign_add(counter,tf.constant(1.0)) # 操作:给计数器加1
enqueque_op = q.enqueue(counter) # 操作:计数器值加入队列
# 创建一个队列管理器 QueueRunner,用这两个操作向队列 q 中添加元素,启动一个线程。
qr = tf.train.QueueRunner(q,enqueue_ops=[increment_op,enqueque_op]*1)
# 启动一个会话,从队列管理器qr中创建线程
# 主线程
sess = tf.Session()
sess.run(tf.global_variables_initializer())
enqueue_threads = qr.create_threads(sess,start=True)
# 主线程
for i in range(10):
print(sess.run(q.dequeue()))
输出:
1.0
3.0
4.0
5.0
6.0
6.0
7.0
7.0
8.0
10.0
分析:这个本质是+1操作和入队操作是异步的,也就是说如果加1操作执行了很多次之后,才执行一次入队的话,就会出现入队不是按我们预想的顺序那样;反过来,当我执行几次入队之后,才执行一次加1操作就会出现一个数重复入队的情况。
如何解决:
方法一:把两个操作变成列表中的一个元素
import tensorflow as tf
q = tf.FIFOQueue(1000,"float")
counter = tf.Variable(0.0)
increment_op = tf.assign_add(counter,tf.constant(1.0))
enqueque_op = q.enqueue(counter)
# 把加1和入队变成列表中的一个元素
# 原 :qr = tf.train.QueueRunner(q,enqueue_ops=[increment_op,enqueque_op]*1)
qr = tf.train.QueueRunner(q,enqueue_ops=[[increment_op,enqueque_op]]*1)
sess = tf.Session()
sess.run(tf.global_variables_initializer())
enqueue_threads = qr.create_threads(sess,start=True)
for i in range(10):
print(sess.run(q.dequeue()))
方法二:把加1操作变成入队操作的依赖,只有加1才能入队
import tensorflow as tf
q = tf.FIFOQueue(1000,"float")
counter = tf.Variable(0.0)
increment_op = tf.assign_add(counter,tf.constant(1.0))
# 原 enqueque_op = q.enqueue(counter)
# 把加一操作变成入队操作的依赖
with tf.control_dependencies([increment_op]):
enqueque_op = q.enqueue(counter)
# 由于将加1变成了入队的依赖,所以入队操作只需要传入enqueque_op就行了
qr = tf.train.QueueRunner(q,enqueue_ops=[enqueque_op]*1)
sess = tf.Session()
sess.run(tf.global_variables_initializer())
enqueue_threads = qr.create_threads(sess,start=True)
for i in range(10):
print(sess.run(q.dequeue()))
方法三:把加1和入队变成空操作的依赖
import tensorflow as tf
q = tf.FIFOQueue(1000,"float")
counter = tf.Variable(0.0)
increment_op = tf.assign_add(counter,tf.constant(1.0))
enqueque_op = q.enqueue(counter)
# 把两个操作变成空操作的依赖
with tf.control_dependencies([increment_op,enqueque_op]):
void_op = tf.no_op()
# 由于将两个操作变成了空操作的依赖,所以入队操作只需要传入void_op就行了
qr = tf.train.QueueRunner(q,enqueue_ops=[void_op]*1)
sess = tf.Session()
sess.run(tf.global_variables_initializer())
enqueue_threads = qr.create_threads(sess,start=True)
for i in range(10):
print(sess.run(q.dequeue()))
方法四:将两个操作组合起来
import tensorflow as tf
q = tf.FIFOQueue(1000,"float")
counter = tf.Variable(0.0)
increment_op = tf.assign_add(counter,tf.constant(1.0))
enqueque_op = q.enqueue(counter)
# 原 :qr = tf.train.QueueRunner(q,enqueue_ops=[increment_op,enqueque_op]*1)
# 用tf.group()把两个操作组合起来
qr = tf.train.QueueRunner(q,enqueue_ops=[tf.group(increment_op,enqueque_op)]*1)
sess = tf.Session()
sess.run(tf.global_variables_initializer())
enqueue_threads = qr.create_threads(sess,start=True)
for i in range(10):
print(sess.run(q.dequeue()))
可能会遇到的错误:
ERROR:tensorflow:Exception in QueueRunner: Run call was cancelled
ERROR:tensorflow:Exception in QueueRunner: Session has been closed.
Exception in thread Thread-22:
Traceback (most recent call last):
File "C:\Anaconda3\envs\tensorflow-gpu\lib\threading.py", line 914, in _bootstrap_inner
self.run()
File "C:\Anaconda3\envs\tensorflow-gpu\lib\threading.py", line 862, in run
self._target(*self._args, **self._kwargs)
File "C:\Anaconda3\envs\tensorflow-gpu\lib\site-packages\tensorflow\python\training\queue_runner_impl.py", line 238, in _run
enqueue_callable()
File "C:\Anaconda3\envs\tensorflow-gpu\lib\site-packages\tensorflow\python\client\session.py", line 1245, in _single_tensor_run
fetch_list_as_strings, [], status, None)
File "C:\Anaconda3\envs\tensorflow-gpu\lib\contextlib.py", line 66, in __exit__
next(self.gen)
File "C:\Anaconda3\envs\tensorflow-gpu\lib\site-packages\tensorflow\python\framework\errors_impl.py", line 466, in raise_exception_on_not_ok_status
pywrap_tensorflow.TF_GetCode(status))
tensorflow.python.framework.errors_impl.CancelledError: Run call was cancelled
Exception in thread Thread-23:
Traceback (most recent call last):
File "C:\Anaconda3\envs\tensorflow-gpu\lib\threading.py", line 914, in _bootstrap_inner
self.run()
File "C:\Anaconda3\envs\tensorflow-gpu\lib\threading.py", line 862, in run
self._target(*self._args, **self._kwargs)
File "C:\Anaconda3\envs\tensorflow-gpu\lib\site-packages\tensorflow\python\training\queue_runner_impl.py", line 238, in _run
enqueue_callable()
File "C:\Anaconda3\envs\tensorflow-gpu\lib\site-packages\tensorflow\python\client\session.py", line 1235, in _single_operation_run
target_list_as_strings, status, None)
File "C:\Anaconda3\envs\tensorflow-gpu\lib\contextlib.py", line 66, in __exit__
next(self.gen)
File "C:\Anaconda3\envs\tensorflow-gpu\lib\site-packages\tensorflow\python\framework\errors_impl.py", line 466, in raise_exception_on_not_ok_status
pywrap_tensorflow.TF_GetCode(status))
tensorflow.python.framework.errors_impl.CancelledError: Session has been closed.
使用sess = tf.Session(),而不用with自动关闭
协调器Coordinator
入队线程自顾自的执行,在需要的出队操作完成之后,进程没法结束。这样就要使用 tf.train.Coordinator 来实现线程间的同步,终止其他线程。
主要方法为:
should_stop():如果线程应该停止则返回True。
request_stop(): 请求该线程停止。
join():等待被指定的线程终止。**
首先创建一个Coordinator对象,然后建立一些使用Coordinator对象的线程。这些线程通常一直循环运行,一直到should_stop()返回True时停止。 任何线程都可以决定计算什么时候应该停止。它只需要调用request_stop(),同时其他线程的should_stop()将会返回True,然后都停下来
import tensorflow as tf
q = tf.FIFOQueue(1000,"float")
counter = tf.Variable(0.0)
increment_op = tf.assign_add(counter,tf.constant(1.0))
enqueque_op = q.enqueue(counter)
qr = tf.train.QueueRunner(q,enqueue_ops=[[increment_op,enqueque_op]]*1)
# 主线程
sess = tf.Session()
sess.run(tf.global_variables_initializer())
#coordinator:协调器,协调线程间的关系可以被当做一种信号量,起同步作用
coord = tf.train.Coordinator()
# 启动入队线程,协调器是线程的参数
enqueue_threads = qr.create_threads(sess,coord=coord,start=True)
# 主线程
for i in range(0,10):
print(sess.run(q.dequeue()))
coord.request_stop() # 通知其他线程关闭
# join操作等待其他线程结束,其他所有的线程关闭后,这个函数才能返回
coord.join(enqueue_threads)
如果在关闭队列线程后,再执行出队操作,就会抛出 tf.errors.OutOfRange 错误。这种情况就需要使用 tf.errors.OutOfRangeError 来捕捉错误,终止循环:
import tensorflow as tf
q = tf.FIFOQueue(1000,"float")
counter = tf.Variable(0.0)
increment_op = tf.assign_add(counter,tf.constant(1.0))
enqueque_op = q.enqueue(counter)
qr = tf.train.QueueRunner(q,enqueue_ops=[[increment_op,enqueque_op]]*1)
# 主线程
sess = tf.Session()
sess.run(tf.global_variables_initializer())
#coordinator:协调器,协调线程间的关系可以被当做一种信号量,起同步作用
coord = tf.train.Coordinator()
# 启动入队线程,协调器是线程的参数
enqueue_threads = qr.create_threads(sess,coord=coord,start=True)
coord.request_stop() # 通知其他线程关闭
# 主线程
for i in range(0,10):
try:
print("i : ",i)
print(sess.run(q.dequeue()))
except tf.errors.OutOfRangeError:
print('finish')
break
# join操作等待其他线程结束,其他所有的线程关闭后,这个函数才能返回
coord.join(enqueue_threads)
i : 0
finish
分析:将请求线程关闭放置在出队的前面,也就是说我还没有出队之前就请求将线程关闭了,但关闭线程需要一定的时间,所以后来在遍历出队是还是可以执行的线程关闭后,如果不抛异常的话就像上个例子那样会报错,所以这里执行了异常,并打印出了“finish