Tensorflow（四）- CNN_CIFAR（一）- cifar10_input

这篇开始，讲述自己对于tensorflow文档中，利用CNN建立CIFAR-10模型的理解，如有错误欢迎指正，也是互相学习。由于代码太长，所以分几篇来讲述。
第一篇是关于cifar10_input.py文件。

cifar10_input.py

这个文件主要用来进行数据读取以及输入数据处理。
Tensorflow一共有三种读取数据的方式：
第一种最简单的预加载数据，直接在graph中定义常量和变量来保存数据（仅适用于数据小的情况，神经网络自然这种方法不行）
第二种供给数据（feeding），那么这种方法前面出现过很多次，也就是在图中建立placeholder，然后在跑图的时候再对占位进行数据feed。（如果数据量过大，一次性读入所有数据，再分批次feed进图，也会占用太多的内存空间）
第三种从文件中读取数据，在Tensorflow的起始，用一个输入管线从文件中读取数据。
那么这个模型就是运用了第三种数据读取方式。
这里我们按照实际建立图的顺序来进行讲解，由cifar10_train.py文件我们知道先调用的是distorted_input函数。

distorted_input

函数输入为data_dir（训练集所在文件夹），以及batch_size。
函数输出为图像组成的4维tensor，以及labels组成的1维tensor。
下面为数据读取步骤：

1. 生成文件名列表，也就是把需要输入的所有文件的文件名放到一个列表里。
2. 将文件名列表输入到tf.train.string_input_producer()函数中，生成一个先入先出的文件名队列，同时将一个QueueRunner添加到整个图的QUEUE_RUNNER当中。(tf.train.QueueRunner本质上是tensorflow的一个类，用来完成队列的一系列入队操作)
   下面为API文档，具体请参考文档。
   https://www.tensorflow.org/api_docs/python/tf/train/string_input_producer
3. 利用文件阅读器读取文件名队列中文件里的数据。接下来我们跟随代码转移到read_cifar10函数中。
4. 从read_cifar10函数回来，这个时候read_input已经是刚刚输出的结构体了，它有一个样本的所有信息。然后对图像数据进行一系列预处理，这是data augmentation，包括随机裁取，随机左右翻转，随机亮度调节，随机对比度调节，图像归一化。
   所有关于图像操作的API文档
   https://www.tensorflow.org/api_guides/python/image
5. 定义参数min_queue_examples，然后进入到generate_image_and_label_batch()函数中。

def distorted_inputs(data_dir, batch_size):
    # 生成文件名列表
    filenames = [os.path.join(data_dir, 'data_batch_%d.bin' % i)
                 for i in range(1, 6)]
    for f in filenames:
        if not gfile.Exists(f):
            raise ValueError('Failed to find file: ' + f)
    # 生成文件名队列
    filename_queue