前面基本上把 TensorFlow 的在圖像處理上的基礎知識介紹完了，下面我們就用 TensorFlow 來搭建一個分類 cifar10 的神經網絡。
首先准備數據：
cifar10 的數據集共有 6 萬幅 32 * 32 大小的圖片，分為 10 類，每類 6000 張，其中 5 萬張用於訓練， 1 萬張用於測試。數據集被分成了5 個訓練的 batches 和 1 個測試的 batch。每個 batch 里的圖片都是隨機排列的。官網上提供了三個版本的下載鏈接，分別是 Python 版本的，Matlab 版本的和二進制文件版本的。其中，Python 版本的數據格式，官網上給了讀取數據的代碼，Matlab 版本的數據和 Python 版本的數據格式差不多。二進制版本的數據，有 5 個訓練用的 batches，data_batch_1.bin ~ data_batch_5.bin 和一個測試用的 test_batch.bin，每個 bin 文件的格式如下：
<1 x label><3072 x pixel>
...
<1 x label><3072 x pixel>
共有一萬行，每行 3073 個字節，第一個字節表示標簽信息，剩下的 3072 字節分為 RGB 三通道，每個通道 1024( = 32 * 32) 個字節，注意，行與行之間沒有明顯的區分標識符，所以整個 bin 文件字節長度恰好是 3073 萬。
考慮到 TensorFlow 可以讀取固定長度格式的數據（用 tf.FixedLengthRecordReader ），我們下載二進制格式的數據。新建文件夾/home/your_name/TensorFlow/cifar10/data，從cifar10 官網上下載二進制格式的文件壓縮包，解壓到此文件夾，得到 cifar-10- batches-bin 文件夾，里面有 8 個文件，6 個 .bin文件，一個 readme， 一個 .txt 說明了類別。
然后我們來考慮如下的網絡結構進行 cifar10 的分類：每次輸入一個batch的 64 幅圖像， 轉化成 64*32*32*3 的四維張量，經過步長為 1，卷積核大小為 5*5 ，Feature maps 為64的卷積操作，變為 64*32*32*64 的四維張量，然后經過一個步長為 2 的 max_pool 的池化層，變成 64*16*16*64 大小的四維張量，再經過一次類似的卷積池化操作，變為 64*8*8*64 大小的4維張量，再經過兩個全連接層，映射到 64*192 的二維張量，然后經過一個 sortmax 層，變為 64*10 的張量，最后和標簽 label 做一個交叉熵的損失函數。如下圖所示：
參考文獻：
1. https://github.com/tensorflow/models/tree/master/tutorials/image/cifar10