​ 在製作tfrecords資料集的時候，比如說將cifar資料轉換成tfrecords資料集，一般會用到tf.train.shuffle_batch函式，而損失函式震盪不收斂的原因就可能就是資料集製作出現問題。

​ Cifar-10資料集包含了airlane、automobile、bird、cat、deer、dog、frog、horse、ship、truck，10種分類 ，分別放在十個資料夾中。共60000張圖片，其中訓練集50000張，測試集10000張。

​ 開始在製作資料集的時候，我是先將一個資料夾中的所有圖片寫入tfrecords，這樣製作的問題就是：將同一類的圖片按照順序寫入到了tfrecords中，然而後面再讀取tfrecords時，使用到了tf.train.shuffle_batch，此函式只是在batch_size中reshuffle，總體的順序並沒有改變，所以喂入網路的資料都是同一類的圖片，並不能起到訓練網路的效果。

​ 正確的做法是：應該將這些圖片打亂之後寫入到tfrecords中。我採取的方法是：因為每個資料夾中圖片數量是固定的，所以將這些圖片名稱全部讀取出來，儲存到字典中，因為batch_size為200，所以依次從十個資料夾中讀取20張圖片寫入到tfrecords中，這樣再訓練的時候，取出的資料就不再會是同一類的圖片。

def write_tfRecord(tfRecordName, image_path, label_path):
    writer = tf.python_io.TFRecordWriter(tfRecordName)  
    num_pic = 0 
    dirs =
 
 os.listdir(image_path)
    # print(dirs)
    contents = {}
    for _dir in dirs:
        temp_path = os.path.join(image_path, _dir)
        temp = os.listdir(temp_path)
        contents[_dir] = temp
        # print(len(contents[_dir]))
    # print(contents)

    for i in range(int(len(contents[dirs[
 
0]]) / 20)):
        for index in range(len(dirs)):
            for j in range(i*20, i*20+20):
                ima_path = os.path.join(image_path, dirs[index], contents[dirs[index]][j])
                img = Image.open(ima_path)
                img_raw = img.tobytes()
                labels = [0] * 10
                labels[index] = 1

                example = tf.train.Example(features=tf.train.Features(feature={
                        'img_raw': tf.train.Feature(bytes_list=tf.train.BytesList(value=[img_raw])),
                        'label': tf.train.Feature(int64_list=tf.train.Int64List(value=labels))
                        })) 
                writer.write(example.SerializeToString())
                num_pic += 1 
                print ("the number of picture:", num_pic)
      
    writer.close()
    print("write tfrecord successful")