input_queue = tf.train.slice_input_producer([image,label])使用最新的TensorFlow改

最新版本的 TensorFlow 已经不推荐使用 `tf.train.slice_input_producer()` 方法，它已经被弃用了。取而代之的是 `tf.data.Dataset` API，它提供了更加灵活和高效的数据输入方法。

下面是一个使用 `tf.data.Dataset` API 的例子，它将图像和标签数据组合成一个数据集，然后进行批处理和随机打乱操作：

import tensorflow as tf

# 创建一个包含图像和标签的数据集
dataset = tf.data.Dataset.from_tensor_slices((image, label))

# 对数据进行随机打乱和批处理
dataset = dataset.shuffle(buffer_size=10000)
dataset = dataset.batch(batch_size=32)

# 创建一个数据集迭代器
iterator = dataset.make_initializable_iterator()

# 使用迭代器获取下一批数据
next_batch = iterator.get_next()

# 在会话中运行迭代器初始化操作
with tf.Session() as sess:
    sess.run(iterator.initializer)
    
    # 循环获取批次数据并训练模型
    for i in range(num_iterations):
        batch_images, batch_labels = sess.run(next_batch)
        # 在这里进行模型训练

在这个例子中，`tf.data.Dataset.from_tensor_slices()` 方法从图像和标签张量中创建一个数据集。然后，`shuffle()` 方法将数据集中的元素进行随机打乱，`batch()` 方法将数据集中的元素打包成固定大小的批次。`make_initializable_iterator()` 方法创建一个数据集迭代器，`get_next()` 方法从迭代器中获取下一批数据。

在会话中，我们首先运行迭代器的初始化操作，然后循环获取批次数据并训练模型。使用 `tf.data.Dataset` API，您可以更加灵活地控制数据输入的方式，并且可以方便地进行并行处理和预处理操作。