TensorFlow 简单卷积神经网络实现Cifar10数据集分类

1.环境

本人电脑win7+python3.6+i5,E盘创建一个文件夹Cifar_data,里面包括cifar-10-binary.tar.gz解压后的数据集cifar-10-batches-bin，Cifar10_data.py文件主要负责读取数据并对其进行数据增强预处理。
CNN_Cifar-10.py,文件负责构建卷积神经网络的整体结构，并运行训练和测试的过程。

2.数据集

Cifar10网站链接
里面有三个版本的数据集，分别为
CIFAR-10 python版本
CIFAR-10 Matlab版本
CIFAR-10 binary 版本 (适合 C 语言)
本次用了第三个版本，解压后如下：

数据包含60000张32x32彩色图像，训练集图像50000张，测试集图像10000张，除了test_batch.bin中保存的10000张测试集图像数据，其他五个.bin文件各自保存10000张训练集图像。Cifar10数据集标注10类，彼此间没有重叠情况，batches.meta.txt文件中是10类标签的字符串信息。

3.代码

Cifar10_data.py

import os
import tensorflow as tf

"""
该文件负责读取数据并对其进行数据增强预处理
"""
num_classes=10
# 设定用于训练和评估的样本总数
num_examples_pre_epoch_for_train=50000
num_examples_pre_epoch_for_eval=10000

# 定义一个空类，用于返回读取的数据
class CIFAR10Record(object):
    pass

# 定义读取cifar10数据的函数
def read_cifar10(file_queue):
    result=CIFAR10Record()

    label_bytes=1#如果是cifar_100数据集，则是为2
    result.height=32
    result.width=32
    result.depth=3#RGB三通道

    image_bytes=result.height*result.width*result.depth#=3072
    # 每个样本都包含一个lable数据和image数据，结果为：record_bytes=3073
    record_bytes=label_bytes+image_bytes

    """
    创建一个文件读取类，并调用该类的read（）函数从文件队列中读取文件
    FiexdLengthRecordReader类用于读取固定长度字节数信息（针对bin文件而言，使用这个类读取比较合适）
    """
    # 构造函数原型:__init__(self,record_bytes,header_bytes,footer_bytes,name)
    reader=tf.FixedLengthRecordReader(record_bytes=record_bytes)
    result.key,value=reader.read(file_queue)

#     得到的value就是record_bytes长度的包含多个label数据和image数据的字符串
#     decode_raw函数可以将字符串解析成图像对应的像素数组
    record_bytes=tf.decode_raw(value,tf.uint8)

#     将得到的record_bytes数组中第一个元素类型转换为int32类型
# strided_slice函数用于对input截取[begin，end]区间的数据
    result.label=tf.cast(tf.strided_slice(record_bytes,[0],[label_bytes]),tf.int32)

#     剪切label后就剩下图片数据，将数据的格式从[depth*height*width]转换为[depth,height,width]
    depth_major=tf.reshape(tf.strided_slice(record_bytes,[label_bytes],
                                            [label_bytes+image_bytes]),
                           [result.depth,result.height,result.width])

#     将[depth,height,width]转换为[height,width,depth]
    result.u