我正在移植Tensorflow Cifar-10教程文件用于我自己的目的，并且由于Tensorflow的图形和会话架构而遇到了一个我无法轻易概念化的有趣问题。
问题在于我的输入数据集是高度不平衡的，因此我需要在输入管道中对其标签进行“过采样”（和扩充）条件。在普通的Python环境中，我可以设置一个形式为if label then duplicate的简单控制流语句，但由于在正在运行的会话之外存在的控制流操作而且label，我无法在Tensorflow中编写相同的语法。 1}}在这种情况下不会返回值。
我的问题是，在Tensorflow队列中过度采样张量的最简单方法是什么？
我知道我可以在输入操作之前简单地复制感兴趣的数据，但这显然会消除运行期间过采样所带来的任何存储节省。
我想要做的是评估Tensor的标签（在Cifar-10情况下，通过检查1D image.label属性）然后用固定因子复制该Tensor（例如，如果标签是“dog”，则复制4x） ）并将所有Tensors发送到批处理操作。我最初的方法是在Reader操作之后和批处理操作之前尝试复制步骤，但这也是在正在运行的会话之外。我正在考虑使用TF的while控制流语句，但我不确定这个功能是否能够执行除修改输入Tensor之外的任何操作。你觉得怎么样？
更新＃1
基本上我试图创建一个py_func（），它接受展平的图像字节和标签字节，并根据标签的值垂直堆叠相同的图像字节N次，然后将其作为返回（N x image_bytes张量（py_func（）自动将输入张量转换为numpy和back）。我试图从变量高度张量创建一个input_queue，其形状报告为（？，image_bytes），然后实例化一个读取器以撕掉image_byte大小的记录。好吧，你似乎无法建立未知数据大小的队列，所以这种方法对我来说不起作用，事后才有意义，但我仍然无法概念化识别队列中记录的方法，并重复该记录特定次数。
更新＃2
48小时后，我终于想出了一个解决方法，感谢this SO thread我能够挖掘出来。该线程中概述的解决方案仅假设2类数据，因此tf.cond()函数足以在pred为True时对一个类进行过采样，如果pred为False则对其他类进行过采样。为了获得n路有条件，我尝试建立导致tf.case()的{{1}}函数。事实证明ValueError: Cannot infer Tensor's rank函数不保留tf.case()属性，并且图形构造失败，因为输入管道末端的任何批处理操作必须采用形状参数，或采用定义形状的张量，按照这句话在documentation：
N.B。：您必须确保（i）传递形状参数，或（ii）张量中的所有张量必须具有完全定义的形状。如果这些条件都不成立，则会引发ValueError。
进一步挖掘表明这是一个known issue shape，截至2016年12月尚未解决。这只是Tensorflow众多控制流程中的一个。无论如何，我对n路过采样问题的精简解决方案是：
tf.case()答案 0 :(得分：1)
我的问题的解决方案是一种解决方法，并在“更新2＆＃39;在最初的问题中。