随机洗牌的例子

要随机随机播放示例，可以使用 tf.train.shuffle_batch 函数代替 tf.train.batch，如下所示：

parsed_batch = tf.train.shuffle_batch([serialized_example],
    batch_size=100, capacity=1000,
    min_after_dequeue=200)

tf.train.shuffle_batch（以及 tf.train.batch）创建了一个 tf.Queue 并不断添加 serialized_examples。

capacity 测量一次可以在 Queue 中存储多少元素。更大的容量会导致更大的内存使用量，但线程等待填充它会导致更低的延迟。

min_after_dequeue 是从中获取元素后队列中存在的最小元素数。shuffle_batch 队列并没有完全统一地改变元素 - 它的设计考虑了巨大的数据，而不是适合记忆的数据。相反，它在 min_after_dequeue 和 capacity 元素之间读取，将它们存储在内存中并随机选择一批元素。之后，它将更多元素排列，以保持其数量在 min_after_dequeue 和 capacity 之间。因此，min_after_dequeue 的值越大，随机元素越多 - 保证从至少 16 个连续元素中选择 batch_size 元素，但是必须有更大的 capacity，并且最初填充队列所需的时间越长。