隨機洗牌的例子

要隨機隨機播放示例，可以使用 tf.train.shuffle_batch 函式代替 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）建立了一個 tf.Queue 並不斷新增 serialized_examples。

capacity 測量一次可以在 Queue 中儲存多少元素。更大的容量會導致更大的記憶體使用量，但執行緒等待填充它會導致更低的延遲。

min_after_dequeue 是從中獲取元素後佇列中存在的最小元素數。shuffle_batch 佇列並沒有完全統一地改變元素 - 它的設計考慮了巨大的資料，而不是適合記憶的資料。相反，它在 min_after_dequeue 和 capacity 元素之間讀取，將它們儲存在記憶體中並隨機選擇一批元素。之後，它將更多元素排列，以保持其數量在 min_after_dequeue 和 capacity 之間。因此，min_after_dequeue 的值越大，隨機元素越多 - 保證從至少 16 個連續元素中選擇 batch_size 元素，但是必須有更大的 capacity，並且最初填充佇列所需的時間越長。