cifar10資料集檔案結構如圖所示，其中data_batch_1~5.bin是訓練集，每個檔案包含10000個樣本，test_batch.bin是測試集，包含10000個樣本。

開啟任意一個檔案，發現是一堆二進位制資料，

其中一個樣本由3037個位元組組成，其中第一個位元組是label，剩餘3036(32*32*3)個位元組是image，每個檔案由連續的10000個樣本組成，具體的讀取過程參考下面程式碼及註釋。

#獲取image和label
def get_input():
    #檔名佇列
    filenames = tf.train.match_filenames_once(DATA_DIR+'/data_batch_*'
 
)
    filename_queue = tf.train.string_input_producer(filenames)

    #cifar10的資料格式：
    #一個樣本由3037個位元組組成，其中第一個位元組是label，剩餘3036(32*32*3)個位元組是image
    #每個檔案由連續的10000個樣本組成，共5個檔案
    image_bytes = IMAGE_SIZE * IMAGE_SIZE * IMAGE_DEPTH
    record_bytes = image_bytes + LABEL_BYTES
    #使用FixedLengthRecordReader讀取樣本，每次讀取一個
 

    reader = tf.FixedLengthRecordReader(record_bytes=record_bytes)
    #獲取樣本的值
    _,value = reader.read(filename_queue)
    #讀出來的樣本為二進位制的字串格式，轉化為uint8的格式
    raw_value = tf.decode_raw(value,tf.uint8)
    #劃分label和image
    labels = tf.cast(tf.strided_slice(raw_value,[0],[1]),tf.int32)
    #由於image是按照(depth,height,width)的格式儲存的，因此讀出來後還要將其轉化為(height,width,depth)的格式
 

    images = tf.reshape(
        tf.strided_slice(raw_value,[LABEL_BYTES],[LABEL_BYTES+image_bytes]),
        [IMAGE_DEPTH,IMAGE_SIZE,IMAGE_SIZE]
    )
    images = tf.transpose(images,[1,2,0])
    images = tf.cast(images,tf.float32)
    #資料型別：label是int32，image是範圍為0-1的float32

    #標準化處理：減去平均值併除以方差，使得樣本均值為0，方差為1
    standard_images = tf.image.per_image_standardization(images)

    #官方bug，得加上
    standard_images.set_shape([RESIZE_SIZE,RESIZE_SIZE,3])
    labels.set_shape([1])

    return standard_images,labels