Tensorflow搭建Alexnet网络（一）

第一部分讲解网络的构建，建立的方式和Tensorflow的官方中文教程的方式略微不同，由于网路结构小，各个隐层并未放入命名空间中，但逻辑顺序依然一样。

1.Alexnet

    用一张图先展示一下CNN的经典网络结构Alexnet，可以看出它由五层卷积、三层池化和两层全连接组成，我会在网络中加入BN层。

2.TensorFlow运作方式

    1.输入与占位符（Inputs and Placeholders） ：placeholder_inputs()函数将生成两个tf.placeholder操作，定义传入图表中的shape参数，shape参数中包括batch_size值

    2.构建图表 ：inference()函数会尽可能地构建图表，做到返回包含了预测结果（output prediction）的Tensor。它接受图像占位符为输入，在此基础上借助ReLu(Rectified Linear Units)激活函数(也可替换成其他激活函数)，构建一对完全连接层（layers），以及一个有着n个结点（n一般是你的分类数目）、指明了输出logtis模型的线性层。每一层都创建于一个唯一的tf.name_scope之下，创建于该作用域之下的所有元素都将带有其前缀，使用如：

with tf.name_scope('hidden1') as scope：
    weights = tf.Variable(
    tf.truncated_normal([IMAGE_PIXELS, hidden1_units],
                        stddev=1.0 / math.sqrt(float(IMAGE_PIXELS))),
    name='weights')
    biases = tf.Variable(tf.zeros([hidden1_units]),
                     name='biases')
hidden1 = tf.nn.relu(tf.matmul(images, weights) + biases)
logits = tf.matmul(hidden2, weights) + biases

    3.损失函数：如果你的标签是one-hot编码则可以省略这一步骤，如果不是，tensorflow也可以帮你转换成one-hot编码，例如，如果类标识符为“3”，那么该值就会被转换为：