Tensorflow提供了一系列的对图像进行预处理的方法，但是复杂的预处理过程会减慢整个训练过程，所以，为了避免图像的预处理成为训练神经网络效率的瓶颈，Tensorflow提供了多线程处理输入数据的框架！
下面将一一阐述多线程处理输入数据的理论及Tensorflow的源代码！
1 队列和多线程
首先来介绍Tensorflow中定义队列的方式，在Tensorflow中，可以定义FIFOQueue和RandomShuffleQueue两种类型的队列，FIFO顾名思义是先入先出型队列，而RandomShuffleQueue就是随机读出的操作，RandomShufleQueue操作在训练过程中的作用很大，可以随机的从数据集中取出数据，提高鲁棒性
tensorflow中，队列和变量类似，都是计算图上有状态的节点，其他的状态节点可以修改他们的状态，对于一个变量来说，赋值操作可以修改变量的取值，而对于队列来说，修改队列的相应状态主要有三个方法：
1Enquene Enqueue的操作相当于进入队列的操作，也就是想要将数据插入到队列中时，调用此方法，假如已经定义好队列q，那么调用q.enqueue(([55]))就可以将数据写入队列
2 EnqueneMany q.EnqueneMany方法是一次性写入多个数据！举例：q.EnqueneMany(([34,55]))
3 Dequeue 此方法相当于从队列中调出数据的操作， x = q.dequeue()
队列的作用不仅仅是一种数据结构，它可以提供一种多线程的机制，提高数据的读取存储速度，比如多线程可以同时向一个队列中写元素，或者同时从一个队列中读取元素，多线程并行处理数据，提高数据预处理的速度就是Tensorflow提供的解决上述瓶颈问题的方案！
既然是多线程处理，那么必须需要某个交通指挥官来协调处理多线程的工作，没错，协调-coordinator，tensorflow提供了一个tf.Coordinator类和tf.QueueRunner类来完成多线程工作状态的管理和启动！
Coordinator提供了三个函数：1 should_stop 2 request_stop 3 join 来进行线程的管理操作，在每个线程启动之前，都需要先定义一个coordinator类然后当做参数传入到线程里面去，表明接管本线程的所有操作，线程在启动运行的过程中不断的查询should_stop的状态，一旦发现should_stop变成True，那么该线程就必须得退出，同样，每一个启动的线程都可以调用request_stop函数来通知其他线程退出，下面给出一段使用这两个类来操作线程的代码：
1 import tensorflow as tf 2 import numpy as np 3 import threading 4 import time 5 6 7 8 def MyLooP(coord,worker_id): 9 10 while not coord.should_stop(): 11 12 if np.random.rand() < 0.1 13 print("Stoping form id: %d " %worker_id) 14 coord.request_stop() 15 16 else : 17 print("Working on id : %d " %worker_id) 18 time.sleep(1) 19 20 21 coord = tf.train.coordinator() 22 23 threads = [ threading.Thread(target = MyLooP,args=(coord,i,)) for i in xrange(5)] 24 25 for t in threads: t.start() 26 27 coord.join(threads) #等待所有线程退出 28 29 #运行以上程序，得到结果如下： 30 #working on id : 0 31 #working on id : 1 32 #working on id : 2 33 #working on id : 4 34 #working on id : 3 35 #working on id : 0 36 #stoping on id : 4 37 #working on id : 1
如上面程序描述的，首先定义了一个MyLoop函数，接受coord和workerid两个参数，当coord.should_stop != True的时候，产生一个随机数，如果随机数小于0.1，那么对应的这个进程就会去申请request_stop()函数，通知其他的所有进程结束！
否则的话就打印当前进程的workerid，接下来定义了协调器类的实例coordinator()和五个进程，进程id分别是0-4，之后启动所有的进程等待某个进程的request_stop()，最后调用一个coord.join()来等待所有进程合理的退出，从运行的结果中我们
我们可以看出，working on id :0,1,2,4,3五个进程分别启动完成，然后重新进入MyLoop中继续执行，然后working on id:0, 突然进程4在执行的过程中它随机生成数小于0.1，这导致进程4会去申请request.stop()，从而导致五个进程查询should_stop全部变成了True，于是5个进程便全部结束自身进程，可以看到最后一行仍然有working on id:1打印出来，实际上是因为在进程4申请Request_stop的过程中，进程1已经完成了判断进入到了下一条else中，所以它仍然可以打印出来，但是再一次循环之前查询should_stop的时候就执行结束进程的相关操作了！
未完待续.......