前面是训练的代码，先在我们来看评估的代码，代码在cifar10_eval.py文件下：
首先：
if __name__ == '__main__':
tf.app.run()
是吧，就是进入main函数
然后，我们看main函数
def main(argv=None): # pylint: disable=unused-argument
cifar10.maybe_download_and_extract() #判断数据是否下载的
if tf.gfile.Exists(FLAGS.eval_dir): #评估的文件夹是否在哈
tf.gfile.DeleteRecursively(FLAGS.eval_dir)
tf.gfile.MakeDirs(FLAGS.eval_dir)
evaluate()
然后重点看 evaluate()
def evaluate():
"""Eval CIFAR-10 for a number of steps."""
with tf.Graph().as_default() as g: #创建一个g图（也是空白图）
# Get images and labels for CIFAR-10.
eval_data = FLAGS.eval_data == 'test'
images, labels = cifar10.inputs(eval_data=eval_data) #加载测试图像
# Build a Graph that computes the logits predictions from the
# inference model. 创建图和模型，并计算logits 预测
logits = cifar10.inference(images)
# Calculate predictions.
top_k_op = tf.nn.in_top_k(logits, labels, 1) #计算预测，返回的是0和1,0代表预测错误，1代表预测正确
# Restore the moving average version of the learned variables for eval.
variable_averages = tf.train.ExponentialMovingAverage(
cifar10.MOVING_AVERAGE_DECAY)
variables_to_restore = variable_averages.variables_to_restore()
saver = tf.train.Saver(variables_to_restore)
# Build the summary operation based on the TF collection of Summaries.
summary_op = tf.summary.merge_all()
summary_writer = tf.summary.FileWriter(FLAGS.eval_dir, g)
while True:
eval_once(saver, summary_writer, top_k_op, summary_op)
if FLAGS.run_once:
break
time.sleep(FLAGS.eval_interval_secs)
附录：关于batch size 的理解：
参考：https://blog.csdn.net/ycheng_sjtu/article/details/49804041
在合理范围内，增大 Batch_Size 有何好处？
- 内存利用率提高了，大矩阵乘法的并行化效率提高。
- 跑完一次 epoch（全数据集）所需的迭代次数减少，对于相同数据量的处理速度进一步加快。
- 在一定范围内，一般来说 Batch_Size 越大，其确定的下降方向越准，引起训练震荡越小。
盲目增大 Batch_Size 有何坏处？
- 内存利用率提高了，但是内存容量可能撑不住了。
- 跑完一次 epoch（全数据集）所需的迭代次数减少，要想达到相同的精度，其所花费的时间大大增加了，从而对参数的修正也就显得更加缓慢。
- Batch_Size 增大到一定程度，其确定的下降方向已经基本不再变化。//加如使用极端，Batch_Size设置使用全部图像，那就梯度下降的方向永远不会变化，导致模型一只往一个方向走，容易陷入局部极值，本来我们训练的数据不一定全部够非常“干净”，或者数据量不一定能cover整个需要学习到的模式，如果使用适当较小的batch size，可以使得梯度还有多样化，比如数据不“干净”，但是干净的数据占大多数，走10步，1步后退，9步向前，整体向前。就像直线上开车，但路上有小石头，需要走在小石头的路上微调，曲线前进。但是如果，一开始将所有微调步骤和在一起，中间不再调整，得到一个最终的方向可以靠近终点，但是一般走不到终点的。
