批处理看起来比feed_dicts更清晰，所以我试图理解Tensorflow中的批处理。
以下代码块是否会在批处理中创建32个相同的图像，然后将其提供给队列？
# Creates batches of 32 images and 32 labels.
image_batch, label_batch = tf.train.shuffle_batch(
[single_image, single_label],
batch_size=32,
num_threads=4,
capacity=50000,
min_after_dequeue=10000)
一些上下文：我目前有一个包含大约50K行的文件。我正在使用tf.train.string_input_producer和tf.decode_csv来读取csv中的行，但是对于作为参数提供给tf.train.shuffle_batch的内容，包含所有行的单个行或张量感到困惑从文件中读取。
答案 0 :(得分：1)
在您问题的代码段中，张量single_image和single_label对应于一个图片及其相关标签。从tf.train.shuffle_batch()，image_batch和label_batch返回的张量对应于32个可能包含在一起的* - 不同图像，以及32个相关标签。 TensorFlow在内部使用tf.RandomShuffleQueue来重新排列数据，并创建其他线程来评估single_image和single_label，以便将它们添加到此队列中。
tf.train.shuffle_batch()函数根据您传递的参数具有不同的行为。例如，如果传递enqueue_many=True，则tensors参数中的张量将被解释为元素批量，TensorFlow将在前导维度上将它们连接起来（因此每个张量必须具有相同的大小）第0维）。使用enqueue_many=True，您可以将整个数据集传递给tf.train.shuffle_batch()，也可以传递批量元素（例如使用tf.ReaderBase.read_up_to()）。
*我说“可能不同”，因为您正在使用批处理函数的洗牌版本，如果您的数据集与capacity和min_after_dequeue参数相比较小，则可能是您将在一个批次中看到同一示例的多个副本。