考虑这个问题：从图像数据集（如ImageNet）中的随机主题中选择一个随机数量的样本作为Tensorflow图的输入元素，它用作对象集识别器。对于每个批次，每个类具有相同数量的样本以便于计算。但是对于一个类，不同的批次将具有不同数量的图像，即batch_0： finalResult = null;
for each id in dfB:
for query condition of this id:
tempResult = query dfA
union tempResult to finalResult
= 2; batch_1000：num_imgs_per_cls = 3。
如果Tensorflow中存在现有功能，将非常感谢从头开始对整个过程的解释（如图像目录）。
答案 0 :(得分：2)
@mrry here有一个非常相似的答案。
在面部识别中，我们经常使用三重损失（或类似的损失）来训练模型。对三元组进行抽样计算损失的通常方法是创建一个平衡的图像批次，其中我们有10个不同的类（即10个不同的人），每个类有5个图像。在此示例中，这使得总批量大小为50。
更一般地说，问题是对num_classes_per_batch（示例中为10）类进行采样，然后为每个类采样num_images_per_class（示例中为5）图像。总批量大小为：
batch_size = num_classes_per_batch * num_images_per_class
处理许多不同课程（MS-Celeb中的100,000）的最简单方法是为每个班级创建一个数据集。
例如，您可以为每个类创建一个tfrecord，并创建如下数据集：
# Build one dataset per class.
filenames = ["class_0.tfrecords", "class_1.tfrecords"...]
per_class_datasets = [tf.data.TFRecordDataset(f).repeat(None) for f in filenames]
现在我们希望能够从这些数据集中进行采样。例如，我们希望批次中包含以下标签：
1 1 1 3 3 3 9 9 9 4 4 4
这相当于num_classes_per_batch=4和num_images_per_class=3。
为此，我们需要使用将在r1.9中发布的功能。该函数应调用tf.contrib.data.choose_from_datasets（有关此问题的讨论，请参阅here）
它应该看起来像：
def choose_from_datasets(datasets, selector):
"""Chooses elements with indices from selector among the datasets in `datasets`."""
因此，我们创建此selector，输出1 1 1 3 3 3 9 9 9 4 4 4并将其与datasets合并，以获取将输出平衡批次的最终数据集：
def generator(_):
# Sample `num_classes_per_batch` classes for the batch
sampled = tf.random_shuffle(tf.range(num_classes))[:num_classes_per_batch]
# Repeat each element `num_images_per_class` times
batch_labels = tf.tile(tf.expand_dims(sampled, -1), [1, num_images_per_class])
return tf.to_int64(tf.reshape(batch_labels, [-1]))
selector = tf.contrib.data.Counter().map(generator)
selector = selector.apply(tf.contrib.data.unbatch())
dataset = tf.contrib.data.choose_from_datasets(datasets, selector)
# Batch
batch_size = num_classes_per_batch * num_images_per_class
dataset = dataset.batch(batch_size)
您可以使用每晚TensorFlow版本并使用DirectedInterleaveDataset作为解决方法来测试：
# The working option right now is
from tensorflow.contrib.data.python.ops.interleave_ops import DirectedInterleaveDataset
dataset = DirectedInterleaveDataset(selector, datasets)
我也写过关于此解决方法的here。