机器学习--cnn图像分类相关函数

tf.train.string_input_producer
string_input_producer

tf.FixedLengthRecordReader      ：从一个文件中输出固定长度Recorder的类，是从ReaderBase继承而来，ReaderBase是一个管理各种类型Reader（Reader数据读取的类）的基
类，它可以将字符串（一般是一系列文件名）转化为Records（每个Recorder是一个Key,Value对），Reader的每一步操作都会生成一个Record，这些Records都是从这些文件内容里提炼出
来的。Reader可以通过Read()方法，从队列Queue里出列一条记录Recorder，通过队列可以进行解耦。Reader不兼容eager execution。

tf.slice：从列表、数组、张量等对象中抽取一部分数据   begin和size是两个多维列表，他们共同决定了要抽取的数据的开始和结束位置  begin表示从inputs的哪几个维度上的哪个元素
开始抽取 size表示在inputs的各个维度上抽取的元素个数   若begin[]或size[]中出现-1，表示抽取对应维度上的所有元素

tf.reshape：

tf.image.resize_image_with_crop_or_pad：剪裁或填充处理，会根据原图像的尺寸和指定的目标图像的尺寸选择剪裁还是填充，如果原图像尺寸大于目标图像尺寸，则在中心位置剪裁，反之则用黑色像素填充。

tf.image.per_image_standardization：此函数的运算过程是将整幅图片标准化（不是归一化），加速神经网络的训练。主要有如下操作，(x - mean) / adjusted_stddev，其中x为图片的RGB三通道像素值，
mean分别为三通道像素的均值，adjusted_stddev = max(stddev, 1.0/sqrt(image.NumElements()))。stddev为三通道像素的标准差，image.NumElements()计算的是三通道各自的像素个数。

tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)：
第一个参数input：指需要做卷积的输入图像，它要求是一个Tensor，具有[batch, in_height, in_width, in_channels]这样的shape，具体含义是[训练时一个batch的图片数量, 图片高度, 图片宽度, 图像通道数]，注意这是一个4维的Tensor，要求类型为float32和float64其中之一
[训练时一个batch的图片数量, 图片高度, 图片宽度, 图像通道数]，注意这是一个4维的Tensor，要求类型为float32和float64其中之一
这是一个4维的Tensor，要求类型为float32和float64其中之一

第二个参数filter：相当于CNN中的卷积核，它要求是一个Tensor，具有[filter_height, filter_width, in_channels, out_channels]这样的shape，具体含义是[卷积核的高度，卷积核的宽度，图像通道数，卷积核个数]，要求类型与参数input相同，有一个地方需要注意，第三维in_channels，就是参数input的第四维

第三个参数strides：卷积时在图像每一维的步长，这是一个一维的向量，长度4

第四个参数padding：string类型的量，只能是"SAME","VALID"其中之一，这个值决定了不同的卷积方式（后面会介绍）

第五个参数：use_cudnn_on_gpu:bool类型，是否使用cudnn加速，默认为true

结果返回一个Tensor，这个输出，就是我们常说的feature map，shape仍然是[batch, height, width, channels]这种形式