tf.train.string_input_produce ：将文件名列表交给tf.train.string_input_producer函数.string_input_producer来生成一个先入先出的队列， 文件阅读器会需要它来读取数据。
tf.FixedLengthRecordReader ：从一个文件中输出固定长度Recorder的类，是从ReaderBase继承而来，ReaderBase是一个管理各种类型Reader（Reader数据读取的类）的基
类，它可以将字符串（一般是一系列文件名）转化为Records（每个Recorder是一个Key,Value对），Reader的每一步操作都会生成一个Record，这些Records都是从这些文件内容里提炼出
来的。Reader可以通过Read()方法，从队列Queue里出列一条记录Recorder，通过队列可以进行解耦。Reader不兼容eager execution。
tf.slice：从列表、数组、张量等对象中抽取一部分数据 begin和size是两个多维列表，他们共同决定了要抽取的数据的开始和结束位置 begin表示从inputs的哪几个维度上的哪个元素
开始抽取 size表示在inputs的各个维度上抽取的元素个数 若begin[]或size[]中出现-1，表示抽取对应维度上的所有元素
tf.reshape：
tf.image.resize_image_with_crop_or_pad：剪裁或填充处理，会根据原图像的尺寸和指定的目标图像的尺寸选择剪裁还是填充，如果原图像尺寸大于目标图像尺寸，则在中心位置剪裁，反之则用黑色像素填充。
tf.image.per_image_standardization：此函数的运算过程是将整幅图片标准化（不是归一化），加速神经网络的训练。主要有如下操作，(x - mean) / adjusted_stddev，其中x为图片的RGB三通道像素值，
mean分别为三通道像素的均值，adjusted_stddev = max(stddev, 1.0/sqrt(image.NumElements()))。stddev为三通道像素的标准差，image.NumElements()计算的是三通道各自的像素个数。
tf.truncated_normal_initializer：从截断的正态分布中输出随机值。生成的值服从具有指定平均值和标准偏差的正态分布，如果生成的值大于平均值2个标准偏差的值则丢弃重新选择。ARGS：ARGS：mean：一个python标量或一
个标量张量。要生成的随机值的均值。stddev：一个python标量或一个标量张量。要生成的随机值的标准偏差。seed：一个Python整数。用于创建随机种子。查看 tf.set_random_seed 行为。tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)：第一个参数input：指需要做卷积的输入图像，它要求是一个Tensor，具有[batch, in_height, in_width, in_channels]这样的shape，具体含义是[训练时一个batch的图片数量, 图片高度, 图片宽度, 图像通道数]，注意这是一个4维的Tensor，要求类型为float32和float64其中之一
第二个参数filter：相当于CNN中的卷积核，它要求是一个Tensor，具有[filter_height, filter_width, in_channels, out_channels]这样的shape，具体含义是[卷积核的高度，卷积核的宽度，图像通道数，卷积核个数in_channels
第三个参数strides：卷积时在图像每一维的步长，这是一个一维的向量，长度4
第四个参数padding：string类型的量，只能是"SAME","VALID"其中之一，这个值决定了不同的卷积方式（后面会介绍）
第五个参数：use_cudnn_on_gpu:bool类型，是否使用cudnn加速，默认为true
结果返回一个Tensor，这个输出，就是我们常说的feature map，shape仍然是[batch, height, width, channels]这种形式