首先假设数据样本总数是10000，我设置batchsize为128，epoch为100，那么按照定义就是每次训练一步会有128个样本喂给网络，那么10000/128并不能得到一个epoch所包含的整数个步长。当然也有看到不用epoch这个概念，直接说训练多少步（batch），但是这样就存在问题，如果采用shuffle那么有的数据会被读取很多次有的则不会被读取。还有就是即使样本总数能被batchsize整除，那么要如何用队列读取（采用shuffle）实现一个epoch，既然是随机读取的，怎样保证一个epoch内所有数据都恰好被读取一次？这些问题困扰好久了，网上有些答案但都没有正面回答

楼主解决了吗？我也有这个疑问

今天正好也纠结这个问题，然后上网查了一下。
image_batch, label_batch = tf.train.shuffle_batch([img, label], batch_size=batchSize, capacity=capacity,
min_after_dequeue=min_after_dequeue)
这是个得到batch的函数，其中的allow_smaller_final_batch可选。
True就是允许最后得到的batch小于batchsize，FALSE就丢弃了这部分数据。

def imageToTensor(file):
binary = tf.gfile.FastGFile(file, 'rb').read()
return tf.image.decode_image(binary)
def getTrainData(start, end):
data = []
label = []
for i in range(start, end + 1, 1):
data.append(imageToTensor('cat/' + str(i + 1) + '.png'))
label.append(tf.constant(1))
data.append(imageToTensor('dog/' + str(i + 1) + '.png'))
label.append(tf.constant(0))
return data, label
(data, label) = getTrainData(1, 170000)
请问这样读数据内存不够，怎么拆开来？

插个眼,楼主解决了吗.时间跨度有点大