1.如何执行计算图：

# 执行计算图，首先要初始化变量

init = tf.global_variable_initializer()

# 对于tensorflow来说，在构建好计算图后，需要开启一个会话session

# 打开会话之后，就可以执行计算图了

with tf.Session() as sess:

     # 在会话中执行计算图使用sess.run()方法，如果加了train_op,就说明在这次run中我们就去训练了，如果没有，就是在测试模式下

    # feed_dict:要喂入的数据，因为前面x和y都是placeholder，所以需要输入数据，x和y应该输入的是CIFAR-10的数据，分别是图片数据和label数据

    # 需要在CIFAR-10数据集上循环遍历整个数据，使得feed_dict拿到的是不同的数据

    # 为了达到这种处理模式，我们需要对CIFAR-10的数据集做一些处理

sess.run([loss, accuracy, train_op], feed_dict={x: })    

# CIFAR-10数据处理的方法

class CifarData:

    # 初始化：filenames,文件名说明对于训练数据集和测试数据集是分开的

    # need_shuffle:对于训练集来说，在训练的时候，过完一遍数据之后，需要shuffle一下数据，就是使得数据更加散乱，散乱代表数据之间没有依赖关系，使得泛化能力更强，这是机器学习中一个常用的概念

    # 对于测试集来说，因为不需要训练，所以不需要shuffle

    def __init__(self, filenames, need_shuffle):

        # 把数据读进来

        all_data = []

        all_labels = []

        for filename in filenames:

            data, labels = load_data(filename)

            # 因为我们要做的是一个二分类的问题，所以我们只用CIFAR-10的0和1两个分类，在这里需要做一个filter

            # 因为data和labels的数目是一样的，所以我们把它们打包到一起

            for item, label in zip(data, labels):

                # 如果类别是0，1的话，就把数据和label放进来

                if label in [0, 1]:

                    all_data.append(item)

                    all_labels.append(label)

        # 把最后的值合并并且转化为numpy的矩阵

        self._data = np.vstack(all_data)     # 从纵向上把数据合并到一起，因为all_data定义是一个一个向量

        self._labels = np.hstack(all_labels)  # 从横向上合并到一起，因为label实际上是一个一维向量

        # 测试

        print(self._data.shape)

        print(self._labels.shape)

        self._num_examples = self._data.shape[0]  # 数量

        self._need_shuffle = need_shuffle   # shuffle开关

        self._indicator = 0   # 表示训练集已经遍历到哪个位置了

        if self._need_shuffle:

            self._shuffle_data()

    # 因为all_data和all_labels都是numpy的数据结构，所以我们可以用numpy的方法来做

    def _shuffle_data(self):

        # np.random.permutation这个函数会做一个混排，从0到_num_examples，如[0, 1, 2, 3, 4, 5] -> [5, 3, 2, 4, 0, 1]

        p = np.random.permutation(self._num_examples)

        # p只是得到一个排列，需要把数据放进来

        # _data和_labels应该做一样的shuffle，否则会错乱

        self._data = self._data[p]

        self._labels = self._labels[p]

    def next_batch(self, batch_size):

        '''return batch_size examples as a batch.'''

        end_indicator = self._indicator + batch_size  # 对应于_indicator，这个表示结束位置

        if end_indicator > self._num_examples:

            if self._need_shuffle:

                self._shuffle_data()

                self._indicator = 0

                end_indicator = batch_size

            else:

                raise Exception('have no more examples')

        # 当end_indicator=batch_size时，如果还比_num_examples大，就需要抛出异常了

        if end_indicator > self._num_examples:

            raise Exception('batch size is larger than all examples')

        batch_data = self._data[self._indicator: end_indicator]   # 需要把这个范围内的数据放到结果中

        batch_labels = self._labels[self._indicator: end_indicator]

        self._indicator = end_indicator

        return batch_data, batch_labels

train_filenames = [os.path.join(CIFAR_DIR, 'data_batch_%d' % i) for i in range(1,6)]

test_filenames = [os.path.join(CIFAR_DIR, 'test_batch')]

train_data = CifarData(train_filenames, True)

train_steps = 100000

未优化结果：）