我想将迁移学习与 Google 的 Inception 网络一起用于图像识别问题。我正在使用 TensorFlow 示例源中的 retrain.py 来获取灵感，并按照Google 的官方教程进行操作。
然而，它的输入管道是“每一步从训练集中随机选择 10 张图像（其中 10 张是 batch_size），从缓存中找到它们的瓶颈，并将它们输入最后一层以获得预测。”
具体来说，在其代码retrain.py 中，将通过随机选择每个图像来检索 batch_size 图像。对于每个图像，找到其图像索引
image_index = random.randrange(MAX_NUM_IMAGES_PER_CLASS + 1)
其中MAX_NUM_IMAGES_PER_CLASS= 2^27 + 1，然后image_index将由标签的可用图像数量取模。
我的问题是：
1）为什么它必须创建这样的批次（随机到大量，然后修改每个类的长度）？为什么我们不随机到每个班级的长度）
2）如果我们为每次喂食选择一组随机的图像，我们是否会丢失大部分数据并接收到重复的喂食示例？为什么输入管道是正常排列的：我们有很多 epoch，每个 epoch 都是完整的数据并分为很多批次，然后我们将每个批次输入到我们的模型中？
非常感谢！！
参考
在 retrain.py 中train_bottlenecks，train_ground_truth（这些被输入到模型中）由get_random_distorted_bottlenecks. 在这个函数中，我们对每个图像进行循环，直到我们有足够的 batch_size 图像：找到一个随机标签，然后找到随机索引：
label_index = random.randrange(class_count)
label_name = list(image_lists.keys())[label_index]
image_index = random.randrange(MAX_NUM_IMAGES_PER_CLASS + 1)