tensorflow提供了tf.train.batch和tf.train.shuffle_batch函式來將單個樣例組織成batch的形式輸出。這兩個函式都會生成乙個佇列，佇列的入隊操作是生成單個樣例的方法，而每次出隊得到的是乙個batch的樣例。唯一的區別是是否會將資料順序打亂。
batch_size=3
capacity=1000+3*batch_size
example_batch,label_batch=tf.train
.batch(
[example,label],batch_size=batch_size,capacity=capacity)
capacity給出了佇列的最大容量，佇列如果太大，需要占用很多的記憶體資源，如果太小，出隊操作可能會因為沒有資料而被阻礙（block），從而導致訓練效率降低。當佇列長度等於容量時，tensorflow將暫停入隊操作，而只是等待元素出隊。當元素個數小於容量時，tensorflow將自動重新啟動入隊操作。
batch_size=3
capacity=1000+3*batch_size
example_batch,label_batch=tf.train
.shuffle_batch(
[example,label],batch_size=batch_size,capacity=capacity,min_after_dequeue=30)
min_after_dequeue限制了出隊時佇列中元素的最少個數。當佇列中元素太少時隨機打亂樣例順序的作用就不大了。當出隊函式被呼叫但是佇列中元素中不夠時，出隊操作應等待更多的元素入隊才會完成。
對於tf.train.shuffle_batch多個執行緒會讀取乙個檔案中的不同樣例並進行預處理，如果需要多個執行緒處理不同檔案中的樣例時，可以使用tf.train.shuffle_batch_join
TensorFlow訓練Logistic回歸
如下圖，可以清晰看到線性回歸和邏輯回歸的關係，乙個線性方程被邏輯方程歸一化後就成了邏輯回歸。對於二分類，輸出假如線性回歸模型為，則要將z轉成y，即y g z 於是最直接的方式是用單位階躍函式來表示，即 如圖，但階躍函式不連續，於是用sigmoid函式替代之，為 如圖，則有，即logistics函式，...
Tensorflow訓練迴圈
def fit loop model,inputs,targets,sample weights none,class weight none,val inputs none,val targets none,val sample weights none,batch size none,epoch...
tensorflow 資料訓練
一 資料訓練遇到問題 excle資料，如何進行訓練？excle資料，如何resize 呢？目前思路 tfrecords 採用 numpy的方法進行處理 學習方法 從檔案中讀取資料 標準化格式tfrecords記錄 二 資料預處理 numpy 不能有中文，要採用decode等方法 不能夠有百分號？目前...