解决此问题的主要步骤有三个：

1. 使用包含原始字符串的字符串列表填充tf.train.string_input_producer() ，该字符串用空格分隔，原始字符串包含文件名和标签。

2. 使用tf.read_file(filename)而不是tf.WholeFileReader()来读取图像文件。 tf.read_file()是一种无状态操作，它消耗单个文件名并生成包含文件内容的单个字符串。它具有纯函数的优点，因此很容易将数据与输入和输出关联。例如，您的read_my_file_format函数将变为：

    def read_my_file_format(filename_and_label_tensor): """Consumes a single filename and label as a ' '-delimited string. Args: filename_and_label_tensor: A scalar string tensor. Returns: Two tensors: the decoded image, and the string label. """ filename, label = tf.decode_csv(filename_and_label_tensor, [[""], [""]], " ") file_contents = tf.read_file(filename) example = tf.image.decode_png(file_contents) return example, label 

3. 通过从read_my_file_format传递单个出队元素来调用新版本的input_queue ：

    image, label = read_my_file_format(input_queue.dequeue()) 

然后，您可以在模型的其余部分中使用image和label张量。

除了提供的答案之外，您还可以执行以下其他操作：

将标签编码为文件名。如果您有N个不同的类别，则可以将文件重命名为： 0_file001, 5_file002, N_file003 。然后，当您从读取器 key, value = reader.read(filename_queue)读取数据时key, value = reader.read(filename_queue)您的键/值是：

Read的输出将是文件名（键）和该文件的内容（值）

然后解析您的文件名，提取标签并将其转换为int。这将需要对数据进行一点预处理。

使用TFRecords将允许您将数据和标签存储在同一文件中。

使用slice_input_producer提供了一个更干净的解决方案。切片输入生产者允许我们创建一个包含任意多个可分离值的输入队列。这个问题的片段如下所示：

def read_labeled_image_list(image_list_file):
    """Reads a .txt file containing pathes and labeles
    Args:
       image_list_file: a .txt file with one /path/to/image per line
       label: optionally, if set label will be pasted after each line
    Returns:
       List with all filenames in file image_list_file
    """
    f = open(image_list_file, 'r')
    filenames = []
    labels = []
    for line in f:
        filename, label = line[:-1].split(' ')
        filenames.append(filename)
        labels.append(int(label))
    return filenames, labels

def read_images_from_disk(input_queue):
    """Consumes a single filename and label as a ' '-delimited string.
    Args:
      filename_and_label_tensor: A scalar string tensor.
    Returns:
      Two tensors: the decoded image, and the string label.
    """
    label = input_queue[1]
    file_contents = tf.read_file(input_queue[0])
    example = tf.image.decode_png(file_contents, channels=3)
    return example, label

# Reads pfathes of images together with their labels
image_list, label_list = read_labeled_image_list(filename)

images = ops.convert_to_tensor(image_list, dtype=dtypes.string)
labels = ops.convert_to_tensor(label_list, dtype=dtypes.int32)

# Makes an input queue
input_queue = tf.train.slice_input_producer([images, labels],
                                            num_epochs=num_epochs,
                                            shuffle=True)

image, label = read_images_from_disk(input_queue)

# Optional Preprocessing or Data Augmentation
# tf.image implements most of the standard image augmentation
image = preprocess_image(image)
label = preprocess_label(label)

# Optional Image and Label Batching
image_batch, label_batch = tf.train.batch([image, label],
                                          batch_size=batch_size)

有关完整的输入管道，另请参阅TensorVision示例中的generic_input_producer 。