在我的tensorflor管道中，我创建了两个批处理队列：一个用于示例（图像），一个用于标签（整数），基本上与cifar10_input.py处理输入的方式相同：
<read files>
image = tf.image.decode_png(file_contents)
label = tf.string_to_number(label_str, out_type=tf.int32)
# Batch examples here into two queues.
image_batch, label_batch = tf.train.shuffle_batch(
[image, label], ... )
model = build_model(image_batch)
loss = build_loss(model, label_batch)
然后模型将图像队列作为输入，损失评估模型输出和标签之间的差异。
我担心的是，如果我在一批图像上评估仅模型，标签队列将不再是＆＃34;对齐＆＃34;并且两个队列（图像和标签）将发散。
(model_output, ) = sess.run([model]) # Uses the image queue as input
(model_output, true_labels) = sess.run([model, label_batch]) # Are image/labels pairs valid?
如何确保两个队列保持同步，以便从每个队列中获取元素将始终返回正确的图像/标签对？
答案 0 :(得分：1)
雅罗斯拉夫的评论是正确的 - 你必须确保他们总是一起出局。
如果您想以与训练步骤交错的方式评估非标记数据的模型，那么您可以实例化模型的另一个副本（权重共享 - 设置重用=真）并从您的读取中读取备用的，非标记的数据源。如果你想要同时进行培训和推理，这不是一个不寻常的模式。
train_predict = model(train_input)
do something with the label here...
alternate:
use_predict = model(use_input, reuse=true)
（reuse = true引用变量作用域）。