考虑到要是自己去做一个项目，那么第一步是如何把数据导入到代码中，何种形式呢？是否需要做预处理？官网中给的实例mnist，数据导入都是写好的模块，那么自己的数据呢？
一、从文件中读取数据（CSV文件、二进制文件、图片或其他格式）
读取文件，都需要一个阅读器reader和一个转换解码操作decode，不同格式的文件对应不同的接口API。
1）CSV文件：用的文件读取器和解码器是 TextLineReader 和 decode_csv 。 下面代码来自TensorFlow官网，加了注释。
filename_queue = tf.train.string_input_producer(["file0.csv", "file1.csv"]) #["file0.csv", "file1.csv"]是文件名列表，tf.train.string_input_producer()用来生成文件名队列，有参数shuffle=True可执行乱序，num_epochs=None可设置文件名字符串的生成次数
#对于输入管道，输出文件名字符串到队列中
reader = tf.TextLineReader()#阅读器，个人感觉功能同Python的open()。 key, value = reader.read(filename_queue)#参数是文件名队列，返回一个tuple，key和value，每次返回阅读器的下一条记录（一行）。 # Default values, in case of empty columns. Also specifies the type of the # decoded result. record_defaults = [[1], [1], [1], [1], [1]] #定义解析的格式 col1, col2, col3, col4, col5 = tf.decode_csv( value, record_defaults=record_defaults) #将CSV解析为tensor，每列映射为一个tensor，返回一个tensor列表。 features = tf.concat(0, [col1, col2, col3, col4]) #0代表按行合并。参数1是在哪个维度合并，参数2是待合并的值。 with tf.Session() as sess: # Start populating the filename queue. coord = tf.train.Coordinator() #创建一个线程协调器 threads = tf.train.start_queue_runners(coord=coord) #启动Graph中所有队列的线程 for i in range(1200): # Retrieve a single instance: example, label = sess.run([features, col5]) #运行，获取样本和标签 coord.request_stop() #请求停止所有线程 coord.join(threads) #等待线程结束
2）二进制文件：用的文件读取器和解码器是 tf.FixedLengthRecordReader 和 tf.decode_raw ，读取固定长度的文件。
decode_raw操作可以将一个字符串转换为一个uint8的张量。
3）标准TensorFlow格式：
可以将任意的数据转换为TensorFlow所支持的格式， 这种方法可以使TensorFlow的数据集更容易与网络应用架构相匹配。方法就是使用TFRecords文件。
写入数据后，通过修改 tf.train.Example 的Features，将 protocol buffer 序列化为一个字符串，再通过 tf.python_io.TFRecordWriter 将序列化的字符串写入 TFRecords文件中。使用tf.TFRecordReader和tf.parse_single_example解析器，可以从TFRecords文件中读取数据。这个parse_single_example操作可以将 protocol buffer 解析为张量。
二、供给数据feed_dict参数
定义了operation之后，使用sess.run()或tensor.eval()或op.run()时，通过参数feed_dict传递数据，该参数是和placeholder配套使用的。先声明一个占位符，比如x,y。然后在op中使用了x,y进行计算，等到op.run()时，op.run(feed_dict={x:x_batch,y:y_batch})即可。前提是x_batch和y_batch已知，已有数据。