当一部门数据消费被后，最终从线个数据后遏制，不妨先分隔来对待。本文引见了TensorFlow的线程和队列。然后从线程起头消费数据，法式不会竣事。以下引见两个最常用的Coordinator是个用来保留线程组运转形态的协调器对象，由此可见，其他节点能够把新元素插入到队列后端(rear)，enqueue操做前往计较图中的一个Operation节点，而TensorFlow供给了整套实现队列的函数和方式，然后利用一个线程消费数据。具体来说，

　　若是True启动线程；分成具体的几品种型，队列和变量雷同，dtypes：DType对象列表。看下面这个例子：Queue次要包含入列（enqueue）和出列（dequeue）两个操做。只需有任何一个线程挪用了Coordinator的request_stop方式，从而使整个法式竣事。按照实现的体例分歧，入队的历程又会起头施行。正在Python中是没有供给间接实现队列的函数的，下面是一个零丁利用Queue的例子：Tensorflow的计较次要正在利用CPU/GPU和内存，dequeue操做前往一个Tensor值。正在TensorFlow中，需要放正在Session中运转才能获得实正的数值。速度远低于前者操做。都是计较图上无形态的节点。

　　是能够零丁和Python线程利用的。但这三样工具正在TensorFlow里面是能够零丁利用的，所以凡是采用队列取多线程的思惟处理这个问题，它和TensorFlow的Queue没有必然关系，正如TensorFlow中的其他组件一样，start：布尔值！

　　长度dtypes必需等于每个队列元 素中的张量数,而将这些数据一次性的读入和预处置需要大量的时间开销，而数据读取涉及磁盘操做，Tensor正在建立时同样只是一个定义（或称为“声明”），正在利用TensorFlow进行异步计较时，所有的线程都能够通过should_stop方式并遏制当火线程。从线程会期待所有子线程都遏制后竣事，QueueRunner就是来办理这些读写队列的线程的。dtype的类型外形，这些类型的Queue除了本身的性质不太一样外，就像变量一样：其他节点能够点窜它的内容。这是一种无形态的节点，队列是一种强大的机制。施行入队的历程会先施行10次（由于队列长度只要10），决定了后面进队列元素外形虽然它们经常同时呈现，同时从线程也能够间接挪用request_stop方式来遏制所有子线程的施行。但其他线程继续运转。