本文的程式碼以及思路都是參考別人的，現在只是整理一下思路，做一些解釋，畢竟是小白。

  首先本文所使用的圖片資料都是https://www.kaggle.com/下載的，使用的是貓和狗的圖片集，https://www.kaggle.com/c/dogs-vs-cats-redux-kernels-edition/data

程式碼分為三個部分，input_data.py處理原始資料，因為下載的資料圖片大小不一致等，model.py編寫網路的模型，使用了兩個卷積層，兩個池化層以及兩個全連線層，最後是training.py用來初始化並訓練模型，獲得結果。

import tensorflow as tf
import 
 
numpy as np
import os

# you need to change this to your data directory
# train_dir = '/home/kevin/tensorflow/cats_vs_dogs/data/train/'

#存放訓練圖片的路徑
train_dir = '/Users/arcstone_mems_108/PycharmProjects/catsvsdogs/data/train/'

#傳入檔案的路徑，或者資料夾內所有圖片的資料以及標籤

def get_files(file_dir):
    '''
    Args:
        file_dir: file directory
 
    Returns:
        list of images and labels
    '''
    cats = []
    label_cats = []
    dogs = []
    label_dogs = []

    #os.listdir為列出路徑內的所有檔案
    for file in os.listdir(file_dir):
        name = file.split(sep='.')        #將每一個檔名都進行分割，以.分割，

        #這樣檔名就變為三部分
        #name的形式為['dog', '9981', 'jpg']
 
        if name[0]=='cat':

            cats.append(file_dir + '/' + file)  

            #在定義的cats列表內新增圖片路徑，由資料夾的路徑+檔名組成

            label_cats.append(0)

            #在貓的標籤列表中新增對應圖片的標籤，貓的標籤為0，狗為1
        else:
            dogs.append(file_dir + '/' + file)
            label_dogs.append(1)
    print('There are %d cats\nThere are %d dogs' %(len(cats), len(dogs)))
    #打印出訓練資料中有多少張貓的圖片，多少張狗的圖片
    image_list = np.hstack((cats, dogs))  #將貓和狗的列表合併為一個列表
    label_list = np.hstack((label_cats, label_dogs)) #將貓和狗的標籤列表合併為一個列表
    #將兩個列表構成一個數組
    temp = np.array([image_list, label_list])
    temp = temp.transpose()    #將陣列矩陣轉置
    np.random.shuffle(temp)    #將資料打亂順序，不再按照前邊全是貓，後邊全是狗這樣排序
    
    image_list = list(temp[:, 0]) #圖片列表為temp陣列的第一個元素
    label_list = list(temp[:, 1]) #標籤列表為temp陣列的第二個元素
    label_list = [int(i) for i in label_list] #轉換為int型別
    #返回讀取結果，存放在image_list,和label_list中
    return image_list, label_list

#定義函式，將圖片資料分塊來處理
def get_batch(image, label, image_W, image_H, batch_size, capacity):
    '''
    Args:
        image: list type
        label: list type
        image_W: image width
        image_H: image height
        batch_size: batch size
        capacity: the maximum elements in queue
    Returns:
        image_batch: 4D tensor [batch_size, width, height, 3], dtype=tf.float32
        label_batch: 1D tensor [batch_size], dtype=tf.int32
    '''
    #資料轉換
    image = tf.cast(image, tf.string)   #將image資料轉換為string型別
    label = tf.cast(label, tf.int32)    #將label資料轉換為int型別

    # make an input queue

    #生成輸入的佇列，每次在資料集中產生一個切片
    input_queue = tf.train.slice_input_producer([image, label])
    #標籤為索引為1的位置
    label = input_queue[1]

    #圖片的內容為讀取索引為0的位置所得的內容
    image_contents = tf.read_file(input_queue[0])

    #解碼影象，解碼為一個張量
    image = tf.image.decode_jpeg(image_contents, channels=3)
    
    ######################################
    # data argumentation should go to here
    ######################################
    #對影象的大小進行調整，調整大小為image_W,image_H
    image = tf.image.resize_image_with_crop_or_pad(image, image_W, image_H)
    
    # if you want to test the generated batches of images, you might want to comment the following line.
    # 如果想看到正常的圖片，請註釋掉111行（標準化）和 126行（image_batch = tf.cast(image_batch, tf.float32)）
    # 訓練時不要註釋掉！

    #對影象進行標準化
    image = tf.image.per_image_standardization(image)
    #使用train.batch函式來組合樣例，image和label代表訓練樣例和所對應的標籤，batch_size引數

    #給出了每個batch中樣例的個數，capacity給出了佇列的最大容量，當佇列長度等於容量時，暫停入隊

    #只是等待出隊
    image_batch, label_batch = tf.train.batch([image, label],
                                                batch_size= batch_size,
                                                num_threads= 64, 
                                                capacity = capacity)

    #將label_batch轉換格式為[]

    label_batch = tf.reshape(label_batch, [batch_size])
    image_batch = tf.cast(image_batch, tf.float32)
    #將影象格式轉換為float32型別
    return image_batch, label_batch

    #最後返回所處理得到的影象batch和標籤batch