1.# 执行计算图，首先要初始化变量

init = tf.global_variables_initializer()

batch_size = 20

train_steps = 100000    # 因为是一个神经元，所以还是挺快的

test_steps = 100  # 20 * 200 = 2000 张图片

# 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:

    sess.run(init)

    for i in range(train_steps):

        batch_data, batch_labels = train_data.next_batch(batch_size)

        # 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

        loss_val, acc_val, _ = sess.run(

            [loss, accuracy, train_op],

            feed_dict={x: batch_data, y: batch_labels})   

        # 打印log

        if (i+1) % 500 == 0:

            print('[Train] Step: %d, loss: %4.5f, acc: %4.5f' % (i+1, loss_val, acc_val))

        if (i+1) % 5000 == 0:

            # 因为test不用shuffle，所以遍历完之后抛出异常，所以需要在遍历完一次之后重新创建CifarData类

            test_data = CifarData(test_filenames, False)

            all_test_acc_val = []    # 需要做一个总的test上的结果，所以需要把这些结果加起来做平均

            for j in range(test_steps):

                test_batch_data, test_batch_labels = test_data.next_batch(batch_size)

                test_acc_val = sess.run([accuracy], feed_dict={x: test_batch_data, y: test_batch_labels})

                all_test_acc_val.append(test_acc_val)

            test_acc = np.mean(all_test_acc_val)

            print('[Test] Step: %d, acc: %4.5f' % (i+1, test_acc))

            # 两次测试准确率是一样的，说明没有学习到什么东西，我们需要做一下改进——》CifarData

2.# 为什么不做归一化准确率在大约0.5呢？因为它的数值比较大，而且它的数值都在0-1之间，所以导致它的预测会偏向一方或另一方，类似于sigmoid

        self._data = self._data / 127.5 - 1    # 一般来说，我们会把图像缩放到-1到1之间，所以进行缩放：归一化