TensorFlow中cnn-cifar10样例代码详解

       TensorFlow是一个支持分布式的深度学习框架，在Google的推动下，它正在变得越来越普及。我最近学了TensorFlow教程上的一个例子，即采用CNN对cifar10数据集进行分类。在看源代码的时候，看完后有一种似懂非懂的感觉，又考虑到这个样例涵盖了tensorflow的大部分语法知识，包括QueueRunners机制、Tensorboard可视化和多GPU数据并行编程等。“纸上得来终觉浅，绝知此事要躬行”，于是我便照着自己的理解和记忆来重新编程实现一遍，实现过程中也遇到了一些问题，在这里把我对程序的详细的理解和遇到的问题记录下来，本着“知其然，知其所以然”的标准，程序中的注释更加侧重于对‘为什么这一行代码要这样写’的解读，以供以后参考(关于卷积神经网络相关的理论部分，网上有很多了，这里就不做太多介绍)。

一个标准的机器学习程序，应该包括数据输入、定义模型本身、模型训练和模型性能测试四大部分，可以分成四个.py文件。

（一）数据输入部分（input_dataset.py）

       从概念上来说，这部分主要是关于数据管道（data pipe）的构建，数据流向为“二进制文件->文件名队列->数据队列->读取出的data-batch”。数据块用于输入到深度学习网络中，进行信息的forward propagation，这部分在定义模型本身部分讨论。在定义整个数据管道的时候，会使用到TensorFlow的队列机制，这部分在之前的博文“TensorFlow读取二进制文件数据到队列”中进行了详细讲述。另外，读原数据文件的时候，要结合文件本身的格式，相信编写过c语言读取二进制文件的程序的朋友，对这应该再熟悉不过了，具体的代码如下，

# -*- coding: utf-8 -*-import osimport tensorflow as tf# 原图像的尺度为32*32,但根据常识，信息部分通常位于图像的中央，这里定义了以中心裁剪后图像的尺寸fixed_height = 24fixed_width = 24# cifar10数据集的格式，训练样例集和测试样例集分别为50k和10ktrain_samples_per_epoch = 50000test_samples_per_epoch = 10000data_dir='./cifar-10-batches-bin' # 定义数据集所在文件夹路径batch_size=128 #定义每次参数更新时，所使用的batch的大小 def read_cifar10(filename_queue):    # 定义一个空的类对象，类似于c语言里面的结构体定义    class Image(object):        pass    image = Image()    image.height=32    image.width=32    image.depth=3    label_bytes = 1    image_bytes = image.height*image.width*image.depth    Bytes_to_read = label_bytes+image_bytes    # 定义一个Reader，它每次能从文件中读取固定字节数    reader = tf.FixedLengthRecordReader(record_bytes=Bytes_to_read)     # 返回从filename_queue中读取的(key, value)对，key和value都是字符串类型的tensor，并且当队列中的某一个文件读完成时，该文件名会dequeue    image.key, value_str = reader.read(filename_queue)     # 解码操作可以看作读二进制文件，把字符串中的字节转换为数值向量,每一个数值占用一个字节,在[0, 255]区间内，因此out_type要取uint8类型    value = tf.decode_raw(bytes=value_str, out_type=tf.uint8)     # 从一维tensor对象中截取一个slice,类似于从一维向量中筛选子向量，因为value中包含了label和feature，故要对向量类型tensor进行'parse'操作        image.label = tf.slice(input_=value, begin=[0], size=[label_bytes])# begin和size分别表示待截取片段的起点和长度    data_mat = tf.slice(input_=value, begin=[label_bytes], size=[image_bytes])    data_mat = tf.reshape(data_mat, (image.depth, image.height, image.width)) #这里的维度顺序，是依据cifar二进制文件的格式而定的    transposed_value = tf.transpose(data_mat, perm=[1, 2, 0]) #对data_mat的维度进行重新排列，返回值的第i个维度对应着data_mat的第perm[i]维    image.mat = transposed_value        return image        def get_batch_samples(img_obj, min_samples_in_queue, batch_size, shuffle_flag):'''tf.train.shuffle_batch()函数用于随机地shuffling 队列中的tensors来创建batches(也即每次可以读取多个data文件中的样例构成一个batch)。这个函数向当前Graph中添加了下列对象：*创建了一个shuffling queue，用于把‘tensors’中的tensors压入该队列；*一个dequeue_many操作，用于根据队列中的数据创建一个batch；*创建了一个QueueRunner对象，用于启动一个进程压数据到队列capacity参数用于控制shuffling queue的最大长度；min_after_dequeue参数表示进行一次dequeue操作后队列中元素的最小数量，可以用于确保batch中元素的随机性；num_threads参数用于指定多少个threads负责压tensors到队列；enqueue_many参数用于表征是否tensors中的每一个tensor都代表一个样例tf.train.batch()与之类似，只不过顺序地出队列（也即每次只能从一个data文件中读取batch），少了随机性。'''    if shuffle_flag == False:        image_batch, label_batch = tf.train.batch(tensors=img_obj,                                                   batch_size=batch_size,                                                   num_threads=4,                                                   capacity=min_samples_in_queue+3*batch_size)    else:        image_batch, label_batch = tf.train.shuffle_batch(tensors=img_obj,                                                           batch_size=batch_size,                                                           num_threads=4,                                                           min_after_dequeue=min_samples_in_queue,                                                          capacity=min_samples_in_queue+3*batch_size)                                                        tf.image_summary('input_image', image_batch, max_images=6) #输出预处理后图像的summary缓存对象，用于在session中写入到事件文件中                                                        return image_batch, tf.reshape(label_batch, shape=[batch_size])                                            def preprocess_input_data():'''这部分程序用于对训练数据集进行‘数据增强’操作，通过增加训练集的大小来防止过拟合'''    filenames = [os.path.join(data_dir, 'data_batch_%d.bin' % i) for i in range(1, 6)]    #filenames =[os.path.join(data_dir, 'test_batch.bin')]    for f in filenames: #检验训练数据集文件是否存在        if not tf.gfile.Exists(f):            raise ValueError('fail to find file:'+f)        filename_queue = tf.train.string_input_producer(string_tensor=filenames) # 把文件名输出到队列中，作为整个data pipe的第一阶段    image = read_cifar10(filename_queue) #从文件名队列中读取一个tensor类型的图像    new_img = tf.cast(image.mat, tf.float32)    tf.image_summary('raw_input_image', tf.reshape(new_img, [1, 32, 32, 3]))#输出预处理前图像的summary缓存对象    new_img = tf.random_crop(new_img, size=(fixed_height, fixed_width, 3)) #从原图像中切割出子图像    new_img = tf.image.random_brightness(new_img, max_delta=63) #随机调节图像的亮度    new_img = tf.image.random_flip_left_right(new_img) #随机地左右翻转图像    new_img = tf.image.random_contrast(new_img, lower=0.2, upper=1.8) #随机地调整图像对比度    final_img = tf.image.per_image_whitening(new_img) #对图像进行whiten操作，目的是降低输入图像的冗余性，尽量去除输入特征间的相关性        min_samples_ratio_in_queue = 0.4  #用于确保读取到的batch中样例的随机性，使其覆盖到更多的类别、更多的数据文件！！！    min_samples_in_queue = int(min_samples_ratio_in_queue*train_samples_per_epoch)     return get_batch_samples([final_img, image.label], min_samples_in_queue, batch_size, shuffle_flag=True)

（二）模型本身定义部分（forward_prop.py）

       定义模型本身，也就是确定出网络结构（Graph），使得输入信号流在该图中进行forward propagation。在本样例中定义的网络结构为“输入层->卷积层->池化层->规范化层->卷积层->规范化层->池化层->全连接层->全连接层->softmax输出层”。与其他的深度网络模型不同，这里引入了规范化层，原因是Relu(rectified linear unit)激活函数会把输入激励映射到[0, infinite]，详细的代码及其解释如下，

# -*- coding: utf-8 -*-import tensorflow as tfimport input_dataset#外部引用input_dataset文件中定义的hyperparametersheight = input_dataset.fixed_heightwidth = input_dataset.fixed_widthtrain_samples_per_epoch = input_dataset.train_samples_per_epochtest_samples_per_epoch = input_dataset.test_samples_per_epoch # 用于描述训练过程的常数moving_average_decay = 0.9999     # The decay to use for the moving average.num_epochs_per_decay = 350.0      # 衰减呈阶梯函数，控制衰减周期（阶梯宽度）learning_rate_decay_factor = 0.1  # 学习率衰减因子initial_learning_rate = 0.1       # 初始学习率 def variable_on_cpu(name, shape, dtype, initializer):    with tf.device("/cpu:0"):  #一个 context manager,用于为新的op指定要使用的硬件        return tf.get_variable(name=name,                                shape=shape,                                initializer=initializer,                               dtype=dtype)     def variable_on_cpu_with_collection(name, shape, dtype, stddev, wd):    with tf.device("/cpu:0"):         weight = tf.get_variable(name=name,                                  shape=shape,                                  initializer=tf.truncated_normal_initializer(stddev=stddev, dtype=dtype))        if wd is not None:            weight_decay = tf.mul(tf.nn.l2_loss(weight), wd, name='weight_loss')            tf.add_to_collection(name='losses', value=weight_decay)                 return weight        def losses_summary(total_loss):#通过使用指数衰减，来维护变量的滑动均值。当训练模型时，维护训练参数的滑动均值是有好处的。在测试过程中使用滑动参数比最终训练的参数值本身，    #会提高模型的实际性能（准确率）。apply()方法会添加trained variables的shadow copies，并添加操作来维护变量的滑动均值到shadow copies。average    #方法可以访问shadow variables，在创建evaluation model时非常有用。#滑动均值是通过指数衰减计算得到的。shadow variable的初始化值和trained variables相同，其更新公式为# shadow_variable = decay * shadow_variable + (1 - decay) * variable    average_op = tf.train.ExponentialMovingAverage(decay=0.9) #创建一个新的指数滑动均值对象    losses = tf.get_collection(key='losses')# 从字典集合中返回关键字'losses'对应的所有变量，包括交叉熵损失和正则项损失    # 创建‘shadow variables’,并添加维护滑动均值的操作    maintain_averages_op = average_op.apply(losses+[total_loss])#维护变量的滑动均值，返回一个能够更新shadow variables的操作    for i in losses+[total_loss]:        tf.scalar_summary(i.op.name+'_raw', i) #保存变量到Summary缓存对象，以便写入到文件中        tf.scalar_summary(i.op.name, average_op.average(i)) #average() returns the shadow variable for a given variable.    return maintain_averages_op  #返回损失变量的更新操作    def one_step_train(total_loss, step):    batch_count = int(train_samples_per_epoch/input_dataset.batch_size) #求训练块的个数     decay_step = batch_count*num_epochs_per_decay #每经过decay_step步训练，衰减lr    lr = tf.train.exponential_decay(learning_rate=initial_learning_rate,                                    global_step=step,                                    decay_steps=decay_step,                                    decay_rate=learning_rate_decay_factor,                                    staircase=True)    tf.scalar_summary('learning_rate', lr)    losses_movingaverage_op = losses_summary(total_loss)    #tf.control_dependencies是一个context manager,控制节点执行顺序，先执行control_inputs中的操作，再执行context中的操作    with tf.control_dependencies(control_inputs=[losses_movingaverage_op]):        trainer = tf.train.GradientDescentOptimizer(learning_rate=lr)        gradient_pairs = trainer.compute_gradients(loss=total_loss) #返回计算出的（gradient, variable） pairs    gradient_update = trainer.apply_gradients(grads_and_vars=gradient_pairs, global_step=step) #返回一步梯度更新操作    #num_updates参数用于动态调整衰减率，真实的decay_rate =min(decay, (1 + num_updates) / (10 + num_updates)     variables_average_op = tf.train.ExponentialMovingAverage(decay=moving_average_decay, num_updates=step)    # tf.trainable_variables() 方法返回所有`trainable=True`的变量，列表结构    maintain_variable_average_op = variables_average_op.apply(var_list=tf.trainable_variables())#返回模型参数变量的滑动更新操作    with tf.control_dependencies(control_inputs=[gradient_update, maintain_variable_average_op]):        gradient_update_optimizor = tf.no_op() #Does nothing. Only useful as a placeholder for control edges    return gradient_update_optimizor                        def network(images):#这一部分主要调用几个常见函数，在上一篇博客‘TensorFlow实现卷积神经网络’中有详细介绍，这里就不再赘述～    with tf.variable_scope(name_or_scope='conv1') as scope:        weight = variable_on_cpu_with_collection(name='weight',                                                  shape=(5, 5, 3, 64),                                                  dtype=tf.float32,                                                  stddev=0.05,                                                 wd = 0.0)        bias = variable_on_cpu(name='bias', shape=(64), dtype=tf.float32, initializer=tf.constant_initializer(value=0.0))        conv1_in = tf.nn.conv2d(input=images, filter=weight, strides=(1, 1, 1, 1), padding='SAME')        conv1_in = tf.nn.bias_add(value=conv1_in, bias=bias)        conv1_out = tf.nn.relu(conv1_in)             pool1 = tf.nn.max_pool(value=conv1_out, ksize=(1, 3, 3, 1), strides=(1, 2, 2, 1), padding='SAME')        norm1 = tf.nn.lrn(input=pool1, depth_radius=4, bias=1.0, alpha=0.001/9.0, beta=0.75)        with tf.variable_scope(name_or_scope='conv2') as scope:        weight = variable_on_cpu_with_collection(name='weight',                                  shape=(5, 5, 64, 64),                                  dtype=tf.float32,                                  stddev=0.05,                                 wd=0.0)        bias = variable_on_cpu(name='bias', shape=(64), dtype=tf.float32, initializer=tf.constant_initializer(value=0.1))        conv2_in = tf.nn.conv2d(norm1, weight, strides=(1, 1, 1, 1), padding='SAME')        conv2_in = tf.nn.bias_add(conv2_in, bias)        conv2_out = tf.nn.relu(conv2_in)         norm2 = tf.nn.lrn(input=conv2_out, depth_radius=4, bias=1.0, alpha=0.001/9.0, beta=0.75)        pool2 = tf.nn.max_pool(value=norm2, ksize=(1, 3, 3, 1), strides=(1, 2, 2, 1), padding='SAME')    # input tensor of shape `[batch, in_height, in_width, in_channels]    reshaped_pool2 = tf.reshape(tensor=pool2, shape=(-1, 6*6*64))        with tf.variable_scope(name_or_scope='fully_connected_layer1') as scope:        weight = variable_on_cpu_with_collection(name='weight',                                                  shape=(6*6*64, 384),                                                  dtype=tf.float32,                                                 stddev=0.04,                                                 wd = 0.004)        bias = variable_on_cpu(name='bias', shape=(384), dtype=tf.float32, initializer=tf.constant_initializer(value=0.1))        fc1_in = tf.matmul(reshaped_pool2, weight)+bias        fc1_out = tf.nn.relu(fc1_in)        with tf.variable_scope(name_or_scope='fully_connected_layer2') as scope:        weight = variable_on_cpu_with_collection(name='weight',                                                  shape=(384, 192),                                                  dtype=tf.float32,                                                 stddev=0.04,                                                 wd=0.004)        bias = variable_on_cpu(name='bias', shape=(192), dtype=tf.float32, initializer=tf.constant_initializer(value=0.1))        fc2_in = tf.matmul(fc1_out, weight)+bias        fc2_out = tf.nn.relu(fc2_in)            with tf.variable_scope(name_or_scope='softmax_layer') as scope:        weight = variable_on_cpu_with_collection(name='weight',                                                  shape=(192, 10),                                                  dtype=tf.float32,                                                 stddev=1/192,                                                 wd=0.0)        bias = variable_on_cpu(name='bias', shape=(10), dtype=tf.float32, initializer=tf.constant_initializer(value=0.0))        classifier_in = tf.matmul(fc2_out, weight)+bias        classifier_out = tf.nn.softmax(classifier_in)    return classifier_out def loss(logits, labels):     labels = tf.cast(x=labels, dtype=tf.int32)  #强制类型转换，使符合sparse_softmax_cross_entropy_with_logits输入参数格式要求    cross_entropy_loss = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=logits, labels=labels, name='likelihood_loss')    cross_entropy_loss = tf.reduce_mean(cross_entropy_loss, name='cross_entropy_loss') #对batch_size长度的向量取平均        tf.add_to_collection(name='losses', value=cross_entropy_loss) #把张量cross_entropy_loss添加到字典集合中key='losses'的子集中      return tf.add_n(inputs=tf.get_collection(key='losses'), name='total_loss') #返回字典集合中key='losses'的子集中元素之和

（三）模型训练部分（train.py)

       模型训练的实质就是一个“参数寻优”的过程，最常见的优化算法是mini-batch的随机梯度下降法（mini-batch是相对于online learning而言的），寻找使得损失函数值最小的模型参数。为了防止过拟合，这里的损失函数包含了正则化项，具体的代码解释如下，

# -*- coding: utf-8 -*-import input_datasetimport forward_propimport tensorflow as tfimport osimport numpy as np max_iter_num = 100000 #设置参数迭代次数checkpoint_path = './checkpoint' #设置模型参数文件所在路径event_log_path = './event-log' #设置事件文件所在路径，用于周期性存储Summary缓存对象 def train():    with tf.Graph().as_default():    #指定当前图为默认graph        global_step = tf.Variable(initial_value=0, trainable=False)#设置trainable=False,是因为防止训练过程中对global_step变量也进行滑动更新操作        img_batch, label_batch = input_dataset.preprocess_input_data()#输入图像的预处理，包括亮度、对比度、图像翻转等操作        # img_batch, label_batch = input_dataset.input_data(eval_flag=False)        logits = forward_prop.network(img_batch) #图像信号的前向传播过程        total_loss = forward_prop.loss(logits, label_batch) #计算损失        one_step_gradient_update = forward_prop.one_step_train(total_loss, global_step) #返回一步梯度更新操作        #创建一个saver对象，用于保存参数到文件中        saver = tf.train.Saver(var_list=tf.all_variables()) #tf.all_variables return a list of `Variable` objects                all_summary_obj = tf.merge_all_summaries()#返回所有summary对象先merge再serialize后的的字符串类型tensor        initiate_variables = tf.initialize_all_variables()        #log_device_placement参数可以记录每一个操作使用的设备，这里的操作比较多，就不需要记录了，故设置为False        with tf.Session(config=tf.ConfigProto(log_device_placement=False)) as sess:            sess.run(initiate_variables)  #变量初始化                       tf.train.start_queue_runners(sess=sess) #启动所有的queuerunners            Event_writer = tf.train.SummaryWriter(logdir=event_log_path, graph=sess.graph)             for step in range(max_iter_num):                _, loss_value = sess.run(fetches=[one_step_gradient_update, total_loss])                assert not np.isnan(loss_value) #用于验证当前迭代计算出的loss_value是否合理                if step%10 == 0:                    print('step %d, the loss_value is %.2f' % (step, loss_value))                if step%100 == 0:                    # 添加`Summary`协议缓存到事件文件中，故不能写total_loss变量到事件文件中，因为这里的total_loss为普通的tensor类型                    all_summaries = sess.run(all_summary_obj)                    Event_writer.add_summary(summary=all_summaries, global_step=step)                if step%1000 == 0 or (step+1)==max_iter_num:                    variables_save_path = os.path.join(checkpoint_path, 'model-parameters.bin') #路径合并，返回合并后的字符串                    saver.save(sess, variables_save_path, global_step=step)#把所有变量（包括moving average前后的模型参数）保存在variables_save_path路径下                 if __name__ == '__main__':    train()                

（四）模型性能评估部分（evaluate.py）

       机器学习模型训练好之后，要在测试数据集上进行测试，从而判断模型的性能，常见的性能指标有准确率、召回率等。顺便提及一下，有的机器学习模型在训练时，会把数据集分成三部分，训练集（training dataset）,正则集(validation dataset)和测试集（test dataset）,正则集的作用也是为了防止过拟合，但我们这里通过对模型参数正则化来防止过拟合，因此就不用像这样划分数据集了，具体的代码及解释如下，

# -*- coding: utf-8 -*-import tensorflow as tfimport input_datasetimport forward_propimport trainimport mathimport numpy as np def eval_once(summary_op, summary_writer, saver, predict_true_or_false):    with tf.Session() as sess:#从checkpoint文件中返回checkpointstate模板        checkpoint_proto = tf.train.get_checkpoint_state(checkpoint_dir=train.checkpoint_path)        if checkpoint_proto and checkpoint_proto.model_checkpoint_path:            saver.restore(sess, checkpoint_proto.model_checkpoint_path)#恢复模型变量到当前session中        else:            print('checkpoint file not found!')            return        # 启动很多线程，并把coordinator传递给每一个线程            coord = tf.train.Coordinator() #返回一个coordinator类对象，这个类实现了一个简单的机制，可以用来coordinate很多线程的结束        try:            threads = [] #使用coord统一管理所有线程            for queue_runner in tf.get_collection(key=tf.GraphKeys.QUEUE_RUNNERS):                threads.extend(queue_runner.create_threads(sess, coord=coord, daemon=True, start=True))#计算测试数据块的个数,并向上取整            test_batch_num = math.ceil(input_dataset.test_samples_per_epoch/input_dataset.batch_size)            iter_num = 0            true_test_num = 0#这里使用取整后的测试数据块个数，来计算测试样例的总数目，理论上这样算测试样例总数会偏大啊，暂时还未理解？？？            total_test_num = test_batch_num*input_dataset.batch_size                        while iter_num<test_batch_num and not coord.should_stop():                result_judge = sess.run([predict_true_or_false])                true_test_num += np.sum(result_judge)                iter_num += 1            precision = true_test_num/total_test_num            print("The test precision is %.3f"  % precision)        except:            coord.request_stop()        coord.request_stop()        coord.join(threads)                def evaluate():    with tf.Graph().as_default() as g:        img_batch, labels = input_dataset.input_data(eval_flag=True)#读入测试数据集        logits = forward_prop.network(img_batch)#使用moving average操作前的模型参数，计算模型输出值#判断targets是否在前k个predictions里面，当k=1时等价于常规的计算正确率的方法，sess.run(predict_true_or_false)会执行符号计算        predict_true_or_false = tf.nn.in_top_k(predictions=logits, targets=labels, k=1)        #恢复moving average操作后的模型参数        moving_average_op = tf.train.ExponentialMovingAverage(decay=forward_prop.moving_average_decay)#返回要恢复的names到Variables的映射，也即一个map映射。如果一个变量有moving average,就使用moving average变量名作为the restore# name, 否则就使用变量名        variables_to_restore = moving_average_op.variables_to_restore()        saver = tf.train.Saver(var_list=variables_to_restore)                summary_op = tf.merge_all_summaries() #创建序列化后的summary对象#创建一个event file,用于之后写summary对象到logdir目录下的文件中        summary_writer = tf.train.SummaryWriter(logdir='./event-log-test', graph=g)        eval_once(summary_op, summary_writer, saver, predict_true_or_false)

另外，在自己编写程序的过程中，出现了一些错误提示，在这里一并记录下来，供以后参考，

(1)"SyntaxError: positional argument follows keyword argument"

错误原因：在python中向子函数传递参数时，实参或者全部用关键字参数；或者全部用定位参数；当同时使用关键字参数和定位参数时，一定是定位参数在前，关键字参数在后，样例如下，

              def test(a, b, c):

                  return a+b+c

            则以下三种调用方式均正确，

            test(1,2,c=3)

            test(1,2,3)  

            test(a=1, b=2, c=3) 

(2)语句"with tf.Graph.as_default()"出现错误“TypeError: as_default() missing 1 required positional argument: 'self'”

错误原因：应该为tf.Graph().as_default()

(3)打开tensorboard时提示“inner server error”

错误原因：在我的电脑上开启了lantern代理，导致启动tensorboard时服务器出错

(4)错误提示“TypeError: int() argument must be a string, a bytes-like object or a number, not 'Variable'”

错误原因：tf.get_variable()中的shape参数不能为tensor类型，可以区别下面的两种情况来理解

情况1： reshape = tf.reshape(pool2, [batch_size, -1])

     dim = reshape.get_shape()[1].value  #reshape.get_shape()[1]为dimension类型tensor,取其value属性会得到int类型数值

情况2： reshaped_pool2 = tf.reshape(tensor=pool2, shape=(batch_size, -1))

dim = tf.shape(reshaped_pool2)[1]   #dim为tensor类型

又因为tf.get_variable(name, shape=[dim, 384], initializer=initializer, dtype=dtype)函数中，shape参数必须为ndarray类型

(5)在每次迭代时，打印出的损失值过大，如下所示，

    step 0, the loss_value is 22439.82

    step 10, the loss_value is 6426354679171382723219403309056.00

    

    错误原因：设置权值参数w时，标准差取了一个过大的constant,

     如设置weight = tf.get_variable(name=name, shape=shape, initializer=tf.truncated_normal_initializer(stddev=0.5, dtype=dtype))

(6)本程序在tensorflow0.8.0版本下也是可以运行的，只不过需要把tf.train.batch和tf.train.shuffle_batch函数中的关键字tensors改成tensor_list

(7)错误提示“UnboundLocalError: local variable 'CONSTANT' referenced before assignment”

错误原因：可以参见下面这段代码

CONSTANT = 0  

def modifyConstant() :  

         print CONSTANT  

      CONSTANT += 1

在函数内部修改了变量CONSTANT，Python认为CONSTANT是局部变量，而print CONSTANT又在CONSTANT += 1之前，所以会发生这种错误。

如果必须在函数内部访问并修改全局变量，应该使用关键字global在函数内声明变量CONSTANT

(8)要注意区别tf.reshape()和tf.transpose()函数，前者是按照数据的存储先后顺序重新调整tensor的尺寸，而后者是从空间角度进行维度的旋转。

参考资料：https://www.tensorflow.org/versions/r0.11/tutorials/deep_cnn/index.html#convolutional-neural-networks