数据集
概述
该数据集包括60000张RGB图像，每张图像尺寸为32*32，分为10个类，每类6000张。10个类分别是：飞机，汽车，鸟，猫，鹿，狗，青蛙，马，船，卡车。60000张图像中，50000张用于训练，10000张用于测试；测试数据分为5批，每批10000张，其中每类图像数量不一定相等。
Python版本数据在这里下载，MATLAB版本数据在这里下载，二进制版本数据在这里下载。
数据布局
60000张图像分为6批。数据通过cPickle库处理，产生序列化对象，在实际编码中可以通过Python语言读取这些对象，得到一个字典结构的数据；如此一来，每个batch就都包含一个字典，字典里面包含两个元素：data，labels。
data
//一个10000*3072的numpy数组，数据类型为无符号整型
//10000表示图像数量，每一行就是一张图像
//3072表示的是一张独立图像的数据，每张图像尺寸为32*32，RGB三通道（32*32*3）
//图像按照行顺序存储，就是说原始图像R通道像素矩阵的第一行32个值就存储在该数组某一行的前32位
labels
//一维数组，包含10000个元素，每个元素取值范围0~9，代表图像所属类别
以上是Python/MATLAB版本的数据，还有一种是二进制，也就是TensorFlow所采用的。同样将数据分成6个batch。除此之外还有一个batches.meta.txt文件，这是一个ASCII文件，同样是把0~9类数字类标同每一类类名对应起来。
<1 x label><3072 x pixel>
...
<1 x label><3072 x pixel>
//第一个字节是类别，在0~9之间
//接下来是3072个字节，内容就是一幅图像的数据（同Python版本类似）
//每个文件都是10000行这样的数据，没有分隔行，所以文件大小就是30730000字节
//按行，height*weight*deepth的方式，前1024字节为R通道，然后是G通道，然后是B通道
代码解析
下图是CIFAR10文件内容介绍：
cifar10_input.py
该文件定义了模型如何数据文件（cifar10_data中的文件），在读取完成后还要对图像进行随机剪裁，翻转，标准化，等等。经过这一系列的预处理之后，数据才可以作为模型的标准输入。
cifar10.py
接下来是模型定义文件，该文件内容包括：数据输入方法，模型的建立，训练方法等。下面这张图在文件的头部，相当于是文件内容的一个总述。
它给出了整个模型的大致框架：
* 首先通过distorted_inputs()方法读取数据，并存入变量inputs（图像数据）和labels（分类标签）中
* 然后通过inference()方法来完成预测，其实就是神经网络模型的搭建过程，包括：卷积，池化，局部响应归一化，全连接，softmax归一化等；预测结果存入变量predictions
* 最后是训练，主要是计算损失loss、计算梯度、进行变量更新以及呈现最终结果等；
上表给出了该脚本定义的所有方法功能，其中有三个比较重要的函数方法：inference()，loss()，train()。根据inference()可以得到CNN的模型如下：
cifar10_train.py
模型的训练方法。
cifar10_eval.py
测试数据时用到的脚本。里面定义了评估模型的方法，还有评估时的输出内容。后面如果需要实现自定义一张图片作为输入让模型来进行预测，主要是需要修改该文件中的代码。
代码运行
首先需要用训练数据作为输入，让模型不断学习，优化模型参数。训练完成后，模型确定，可以用测试数据来测试模型的准确性。依次执行如下命令：
python cifar10_train.py
python cifar10_eval.py
实例——单张图片作为输入
在成功运行脚本的基础上，我们想让模型对我们自定义的输入图片进行预测，然后输出该图片属于哪一类。这就需要修改脚本，主要的修改对象是cifar10_eval.py。
1、定义一个读取操作
源码中的读取是基于.bin文件的，这是事先处理过的，但实际上输入模型的数据并不是.bin文件，而是一个结构为【128，24，24，3】的张量，所以我们需要把待预测的单张图片处理成模型所需要的结构形式，同时要对图像进行标准化等处理（CIFAR就这么干了，模型的需要，不处理的话结果不正确）。这相当于是一个输入接口，运行时输入python-cifar10_eval()，程序会提示输入文件名称，注意在输入文件名时要加入单引号（例如’cat.jpg’）。
2、修改cifar-10eval.py中的evaluate()方法
这个方法就是模型数据的入口，源码中有两个输入：images，labels，但实际上我们只需要image，因为我们不希望去和label对比，而是直接输出检测结果。这里iamge值获取就用到上面的read_image()方法。
3、修改cifar-10eval.py中的eval_once()方法
这里是程序的输出位置，源码会输出测试后的准确率，这个准确率是通过模型预测值和labels正确值之间进行比对来确定的。模型预测完后，得到logits，这是一个结构为【128，10】的张量，每一行代表一张图片的结果，行向量中最大值所在位置就代表这张图属于哪一个类。
4、结果
并不是每张图片都能准确预测，有的会出错；
在我的实例中，cat，ship，horse，deer，frog，airplane，一般是可以较准确分类；
bird预测为airplane，automobile预测为ship：可能是在图片的中央，二者平面拓扑结构比较相似；
truck预测为airplane，dog预测为airplane。
上图输出了模型预测的输入图片最有可能的类：cat，dog，bird。
