继续上一篇中的问题2，怎样对自定义的图片数据集进行训练呢？在参数和模型固定的情况下，增加训练集，有助于提高模型的泛化能力。在前面，我们是对下载下来的mnist数据集进行的训练，那么怎样应用到我们自己制作或采集的图片上呢？
如上面的图片，我们需要借助tfrecords文件，这是一种能将图像数据和标签放在一起的二进制文件，可以提高内存效率，实现快速的读取、存储等。
首先，新建一个writer用于制作tfreords文件，num_pic用于计数，f 打开的文件是如下的txt文件，每行是图片文件名和对应的数字，用for循环遍历每张图片。
这样，value[0]就是图片名，用于读图片，value[1]是对应标签，用于生成一行10列的一维数组，对应标签索引的值是1。
tf.train.Example包含Features字段,features里包含feature字典，键值对是img_raw和label对应的图像数据和标签数据，格式是bytelist和Int64list，这样就把所有信息存到一个example文件里，方便读取。
对于tfrecords文件的解析如下：
tf.train.string_input_producer生成一个先入先出的队列queue，用来读取数据，传入存储信息的tfrecords文件名列表，然后新建一个reader，把读取的每个样本保存到serialized_example中，通过tf.parse_single_example将协议内存块解析为张量，传入待解析的内存块，features字典映射，传入的字典键名要和制作的相同，返回1*784的图片张量和1*10的标签。
get_tfrecords是随机读取batch_size个样本，tf.train.shuffle_batch传入待乱序处理的tensors[img,label],返回batch_size组的img,label.
这样，我们通过tfrecords文件实现了对自定义图片数据集的读取，要注意的是还有修改反向传播和test文件中的接口。
在backward文件中要先导入生成tfrecord的文件，传入训练样本数，获得每轮喂入的batch,在会话中开启多线程协调器，提高图片和标签批获取效率。其中，tf.train.start_queue_runners()将会启动输入队列线程，填入训练样本到队列中，配合tf.train.Coordinator()在发生错误的情况下关闭线程。
同理，修改test文件，在获取batch时get_tfrecord()中的isTrain=False.
这样，我们就解决了问题2，运行backward文件训练数据，运行test文件观察准确度，达到一定准确度后可以结合上一篇中的appliaction文件对实际图片进行预测了。
需要注意的一点是，在train和test集上准确度符合要求，但实际预测有错误时，关注图片的预处理过程，如修改阈值等。
新手学习，欢迎指教！
