基于@ olivier-moindrot的答案，但对于Tensorflow 2.0+：

# step 1
filenames = tf.constant(['im_01.jpg', 'im_02.jpg', 'im_03.jpg', 'im_04.jpg'])
labels = tf.constant([0, 1, 0, 1])

# step 2: create a dataset returning slices of `filenames`
dataset = tf.data.Dataset.from_tensor_slices((filenames, labels))

def im_file_to_tensor(file, label):
    def _im_file_to_tensor(file, label):
        path = f"../foo/bar/{file.numpy().decode()}"
        im = tf.image.decode_jpeg(tf.io.read_file(path), channels=3)
        im = tf.cast(image_decoded, tf.float32) / 255.0
        return im, label
    return tf.py_function(_im_file_to_tensor, 
                          inp=(file, label), 
                          Tout=(tf.float32, tf.uint8))

dataset = dataset.map(im_file_to_tensor)

如果遇到类似以下问题：

ValueError：无法采用未知等级的Shape的长度

将tf.data.Dataset张量传递给model.fit时，请查看https://github.com/tensorflow/tensorflow/issues/24520 。上面的代码段的修复为：

def im_file_to_tensor(file, label):
    def _im_file_to_tensor(file, label):
        path = f"../foo/bar/{file.numpy().decode()}"
        im = tf.image.decode_jpeg(tf.io.read_file(path), channels=3)
        im = tf.cast(image_decoded, tf.float32) / 255.0
        return im, label

    file, label = tf.py_function(_im_file_to_tensor, 
                                 inp=(file, label), 
                                 Tout=(tf.float32, tf.uint8))
    file.set_shape([192, 192, 3])
    label.set_shape([])
    return (file, label)

如果您对如何在TensorFlow中输入自己的数据感兴趣，可以查看本教程 。
我也写与CS230的最佳做法指南在斯坦福这里 。

新答案（带有tf.data ）和标签

通过在tf.data中引入r1.4 ，我们可以创建一批没有占位符和队列的图像。步骤如下：

1. 创建一个包含图像文件名和相应标签列表的列表
2. 创建一个读取这些文件名和标签的tf.data.Dataset
3. 预处理数据
4. 从tf.data.Dataset创建一个迭代器，它将产生下一批

代码是：

# step 1
filenames = tf.constant(['im_01.jpg', 'im_02.jpg', 'im_03.jpg', 'im_04.jpg'])
labels = tf.constant([0, 1, 0, 1])

# step 2: create a dataset returning slices of `filenames`
dataset = tf.data.Dataset.from_tensor_slices((filenames, labels))

# step 3: parse every image in the dataset using `map`
def _parse_function(filename, label):
    image_string = tf.read_file(filename)
    image_decoded = tf.image.decode_jpeg(image_string, channels=3)
    image = tf.cast(image_decoded, tf.float32)
    return image, label

dataset = dataset.map(_parse_function)
dataset = dataset.batch(2)

# step 4: create iterator and final input tensor
iterator = dataset.make_one_shot_iterator()
images, labels = iterator.get_next()

现在，我们可以直接运行sess.run([images, labels])而无需通过占位符提供任何数据。

旧答案（使用TensorFlow队列）

概括起来，您有多个步骤：

1. 创建文件名列表（例如：图像的路径）
2. 创建一个TensorFlow 文件名队列
3. 读取和解码每个图像，将它们调整为固定大小（批处理必需）
4. 输出一批这些图像

最简单的代码是：

# step 1
filenames = ['im_01.jpg', 'im_02.jpg', 'im_03.jpg', 'im_04.jpg']

# step 2
filename_queue = tf.train.string_input_producer(filenames)

# step 3: read, decode and resize images
reader = tf.WholeFileReader()
filename, content = reader.read(filename_queue)
image = tf.image.decode_jpeg(content, channels=3)
image = tf.cast(image, tf.float32)
resized_image = tf.image.resize_images(image, [224, 224])

# step 4: Batching
image_batch = tf.train.batch([resized_image], batch_size=8)