（五）深度学习入门之使用resnet对图像进行简单分类(cifar10数据集)

resnet即参差网络
原论文为：Deep Residual Learning for Image Recognition

resnet用到的主要思想有两个：
1.当图像数据的长宽缩小时，会导致丢失一定的图像特征，所以这个时候需要增加图像数据的通道数。
2.为了防止加深训神经网络的层次时，训练效果比未加深网络前差，当图像数据经过两个神经网络层时，输出的数据应加上原输入数据，作为下一层网络的输入数据。

使用Resnet对cifa10图像数据集进行分类的代码如下（之前的博客写过cifar10数据集的处理，这里就不写了）：

import pickle
import tensorflow as tf
import numpy as np
import os

CIFAR_PATH = './cifar10'

# 从文件中读取数据
def load_data(filename):
    with open(filename,'rb') as f:
        datas = pickle.load(f,encoding = "bytes")
        return datas[b'data'],datas[b'labels']

# 数据集的操作方法
class CifarData:
    def __init__(self,filenames,need_shuffle):
        all_datas = []
        all_labels = []
        for filename in filenames:
            datas,labels = load_data(filename)
            for data,label in zip(datas,labels):
                all_datas.append(data)
                all_labels.append(label)
        self._data = np.vstack(all_datas)
        self._data = self._data / 127.5 - 1
        self._label = np.hstack(all_labels)
        print(self._data.shape,self._label.shape)
        
        # 数据集的大小
        self._length = self._label.shape[0]
        # 下标
        self._indicator = 0
        # 是否需要洗牌
        self._need_shuffle = need_shuffle
        if self._need_shuffle:
            self._shuffle_data()