数据说明：使用的数据是Tfrecord数据集，一共3670个数据，每次迭代选取16张图片，输出的结果类别数是5
文中的代码主要是分为两个部分：
第一部分构造flower_input, 读取batch_image, batch_label
第二部分：构造image_tensor_input和label_tensor_input, 输入到构造的flower_inference模型中进行训练，输出结果为softmax概率值，构造loss和train_op，sess.run进行模型的训练操作
第一部分：
第一步：构造flower_input函数，输入为if_random, if_train
第二步：根据是否训练，使用[os.path.join(path_data + ''%i) for i in range(0, 2)] 来获得文件的路径filenames
第三步：使用tf.train.string_input_producer(filenames) , # 输出字符变成一个输入队列中
第四步：将filename_queue输入到read_and_decode(filename_queue) 输出image_object实例化对象，包含image， label， filename等属性
第一步：使用tf.TFRecordReader() 构造reader的读写器
第二步：使用_, serialized_example = reader.read(filenames) 获得存储好的example
第三步：使用tf.parse_single_example(features={}) 获得属性值
第四步：实例化_image_object(), 用于储存image,label, filename，width和height
第五步：使用image_raw = tf.image.decode_jpeg(feature[image/encoded]) # 对图片进行解码操作
第六步：使用tf.image.resize_image_with_crop_or_pad(image_raw) 对图像进行维度的压缩变换
第七步：将其他属性label，filename， height，width，使用image_object.label = features['image/labels'] 进行添加, 返回image_object
第五步：使用image_object.image 获得image， 使用tf.train.per_image_standardization对image进行标准化操作
第六步：使用image_object.label获得label属性
第七步：使用image_object.filename获得filename属性