1.cv2.resize(image,(image_size,image_size),0,0,cv2.INTER_LINEAR)
参数说明：image表示输入图片，image_size表示变化后的图片大小，0，0表示dx和dy，cv2.INTER_LINEAR表示插值的方式为线性插值
2.image.get_shape[1:4].num_elements()获得最后三个维度的大小之和
参数说明：image表示输入的图片
3.saver.save(sess,path,global_step=i)进行sess的加载
参数说明：sess表示输入，path表示保存路径，global_step表示路径的结尾
4.saver=tf.train.import_meta_graph('./dog-cats-model/dog-cat.ckpt-3700.meta')#加载训练好的模型的meta值
参数说明：./dog-cats-model/dog-cat.ckpt-3700.meta表示meta的路径
5.saver.restore(sess,ckpt_path)#加载训练好的参数模型
参数说明：sess表示执行函数，ckpt_path表示ckpt的路径
6.graph=tf.get_defualt_graph获得训练好的参数图
7.graph.get_tensor_by_name('x:0')获得模型的占位参数，以便进行模型的预测
参数说明：’x:0‘表示模型在训练过程中，tf.placeholder(name=’x')输入数据设置的名字
代码中的学习点：1.使用cv2.resize对图片的维度进行压缩
2.使用np.zeros(num_classes)构造标签，lable[index]=1构造标签
3.使用image.get_shape[1:4].num_elements获得最后三个维度的大小
4.saver.save(sess,path,global_step=i)进行模型参数的存储
5.save.restore(sess,path)进行模型的加载
猫狗识别的代码：主要分为3个部分，
第一部分：数据的准备
第二部分：构造卷积神经网络，进行模型的训练
第三部分：使用saver.restore加载训练好的参数，进行模型的预测。
第一部分：数据的准备，构建read_train_data函数
第一步：输入的参数是文件的地址，图片的大小(进行图像的矩阵变换)，标签，验证集的比例
第二步：对构造一个类dataset,用于存储训练集和验证集
第三步：对标签进行循环，对输入的文件与标签值进行拼接，获得图片文件的地址，使用glob.glob获得每张图片的地址。
第四步：循环图片地址，读入图片
第一步：使用cv2.imread()读入图片
第二步：使用cv2.resize(img,(img_size,img_size),0,0,cv2.Inter)进行图片的维度变换
第三步：使用.astype('float32')对图片进行数据类型的转换
第四步：使用np.multiply(img,1.0/255.0)进行图片数值归一化操作，并将图片加到列表中
第五步：使用np.zeros(num_classes)构造标签的零矩阵
第六步：使用index=classes.index(filed)获得标签值对应的索引，label[index]=1将索引位置赋值为1
第七步：将标签加到列表中
第八步：使用os.path.basename(file)获得图片的名字，添加到列表中，获得标签的名字，添加到列表中
第五步：对图片和标签使用np.array转换为数组类型，并返回图片，标签，名字，类别名
第六步：使用sklearn.utils中的shuffle，对图片，标签，名字和类别名进行清洗
第七步：使用val_size，验证集的比例对训练集和验证集进行分割
第八步：创建类别DataSet，实例化dataset.train和dataset.val，创建.next_batch函数，
第九步：next_batch函数说明：使用一个变量self._epoch_index对start和end进行递增循环，如果end>self._num_image,将start置为0，self._epoch_index置为batch_size。
代码：dataset.py
第一步：参数设置，一二三层卷积的大小和个数，以及全连接层的隐藏层的个数
第二步：使用tf.placeholder设置初始的输入参数x和y_pred，并命名为x和y_pred，使用np.argmax获得预测的索引值
第三步：构建生成卷积过程中参数的函数，tf.Variable(tf.truncate_normal(shape,stddev=0.05))
第四步：构建进行卷积的函数，使用tf.nn.conv2(x,w,stride=[1,2,2,1],padding='SAME')，再加上偏置项b，使用激活层tf.nn.relu构建，使用tf.nn.max_pool构建池化层
第五步：构建进行维度变换的函数，用于进行第一次全连接层的卷积到全连接的维度变换，使用image.get_shape()[1:4].num_elements获得后3个维度的个数之和，即乘积
第六步：构造进行全连接的函数，使用tf.matmul构造全连接函数，这里的话，需要使用tf.nn.dropout进行dropout防止过拟合
第七步：开始进行卷积过程
第一步：第一层卷积
第二步：第二层卷积
第三步：第三次卷积
第四步：第一次全连接，使用conv.get_shape[1:4].num_elements获得维度，构造参数
第五步：第二次全连接
第八步：y_pred=tf.nn.softmax构造y_pred,使用tf.argmax(y_pred,1)输出索引值
第九步：使用tf.nn.softmax_logits构造损失值loss，logits=score，labels=y_true
第十步：使用tf.train.Adaoptimer().minimize自适应梯度下降降低损失值
第十一步：使用tf.equal(y_pred_cls,y_true_cls)，tf.reduce_mean构造准确率
第十二步：构建train函数，开始进行训练，首先使用data.train.next_batch获得batch训练样本，使用sess.run训练trainopt降低损失值，进行参数的训练
第十三步：每一个epoch值，获得train的batch，获得val_batch，对训练集和验证集的准确率进行展示
代码：train.py
第三部分：进行模型的预测
第一步：图片的输入，对于输入的图片需要进行与训练样本输入时相同的处理
第一步：使用cv2.imread()进行样本的读取
第二步：使用cv2.resize进行图片的维度变换
第三步：.astype对样本的类型进行变换
第四步：使用np.multipy对样本进行归一化操作
第五步：将图片的维度进行变换，因为是一张图片，维度变化为[1,60,60,3]
第二步：将训练好的模型进行加载
第一步：构建sess=tf.Session()第二步：使用saver=tf.train.import_meta_graph加载模型的meta
第三步：使用saver.restore()加载模型的ckpt-3750
第四步：graph=tf.get_default_graph()获得参数结构图
第五步：使用graph.get_tensor_by_name('y_pred:0')获得预测y_pred
第五步：使用graph.get_tensor_by_name('x:0')获得输入x
第六步：使用graph.get_tensor_by_name('y_pred:0')获得输入标签y_true
第七步：使用np.zeros((1,2))构造输入值得标签
第八步：使用sess.run(y_pred,feed_dict={x:x_batch,y_pred:y_test_img})进行结果的预测
第九步：使用tf.argmax获得标签的索引，使用标签名获得最终的预测结果