http://blog.csdn.net/u013508213/article/details/53401655
MNIST Training
MNIST是在机器学习领域中的一个经典问题。该问题解决的是把28x28像素的灰度手写数字图片识别为相应的数字，其中数字的范围从0到9。
MNIST是ML界的’hello world’，这个比喻还挺有意思的。
MNIST Data
MNIST数据集有四个文件：
- train-images-idx3-ubyte.gz：训练集图片 - 55000 张 训练图片，5000 张 验证图片。
- train-labels-idx1-ubyte.gz：训练集图片对应的数字标签。
- t10k-images-idx3-ubyte.gz：测试集图片 - 10000 张 图片。
- t10k-labels-idx1-ubyte.gz：测试集图片对应的数字标签。
这些文件本身并没有使用标准的图片格式存储。在下面代码中extract_images()和extract_labels()函数可以手动解压他们。
图片数据将被解压成2维的tensor：[image index, pixel index] 其中每一项表示某一图片中特定像素的强度值。”image index”代表数据集中图片的编号，从0到数据集的上限值。”pixel index”代表该图片中像素点的个数, 从0到图片的像素上限值。
以train-*开头的文件中包括60000个样本，其中分割出55000个样本作为训练集，其余的5000个样本作为验证集。因为所有数据集中28x28像素的灰度图片的尺寸为784，所以训练集输出的tensor格式为[55000, 784]。
数字标签数据被解压成1维的tensor：[image index]，它定义了每个样本数值的类别分类。对于训练集的标签来说，这个数据规模就是：[55000]。
解压重构图片和标签数据之后，会得到如下数据集对象：
- data_sets.train：55000 组 图片和标签，用于训练。
- data_sets.validation：5000 组 图片和标签，用于迭代验证训练的准确性。
- data_sets.test：10000 组 图片和标签, 用于最终测试训练的准确性。
调用以下代码中的read_data_sets()函数，将会返回一个DataSet实例，其中包含了以上三个数据集。
函数DataSet.next_batch()是用于获取以batch_size为大小的一个元组，其中包含了一组图片和标签，该元组会被用于当前的TensorFlow运算会话中。
这里tensorflow版本不同导致的该函数的参数形式的区别：
resized_image = tf.image.resize_images(img_data_jpg,28,28, method=0)