使用tf.layers.batch_normalization()需要三步：

1. 在卷積層將啟用函式設定為None。
2. 使用batch_normalization。
3. 使用啟用函式啟用。

需要特別注意的是：在訓練時，需要將第二個引數training = True。在測試時，將training = False。需要特別注意的是：在訓練時，需要將第二個引數training = True。在測試時，將training = False。
下面這段程式碼就是在卷積層之後添加了bn層。

import tensorflow as tf
import  os
import
 
 numpy as np
import pickle

# 檔案存放目錄
CIFAR_DIR = "./cifar-10-batches-py"

# tensorboard
# 1. 指定面板圖上顯示的變數
# 2. 訓練過程中將這些變數計算出來,輸出到檔案中
# 3. 檔案解析 ./tensorboard  --logdir = dir.

def load_data( filename ):
    '''read data from data file'''
    with open( filename, 'rb' ) as f:
        data = pickle.load( f,
 
 encoding='bytes' ) # python3 需要新增上encoding='bytes'
        return data[b'data'], data[b'labels'] # 並且 在 key 前需要加上 b

class CifarData:
    def __init__( self, filenames, need_shuffle ):
        '''引數1:資料夾 引數2:是否需要隨機打亂'''
        all_data = []
        all_labels = []

        for filename in filenames:
 

            # 將所有的資料,標籤分別存放在兩個list中
            data, labels = load_data( filename )
            all_data.append( data )
            all_labels.append( labels )

        # 將列表 組成 一個numpy型別的矩陣!!!!
        self._data = np.vstack(all_data)
        # 對資料進行歸一化, 尺度固定在 [-1, 1] 之間
        self._data = self._data
        # 將列表,變成一個 numpy 陣列
        self._labels = np.hstack( all_labels )
        # 記錄當前的樣本 數量
        self._num_examples = self._data.shape[0]
        # 儲存是否需要隨機打亂
        self._need_shuffle = need_shuffle
        # 樣本的起始點
        self._indicator = 0
        # 判斷是否需要打亂
        if self._need_shuffle:
            self._shffle_data()

    def _shffle_data( self ):
        # np.random.permutation() 從 0 到 引數,隨機打亂
        p = np.random.permutation( self._num_examples )
        # 儲存 已經打亂 順序的資料
        self._data = self._data[p]
        self._labels = self._labels[p]

    def next_batch( self, batch_size ):
        '''return batch_size example as a batch'''
        # 開始點 + 數量 = 結束點
        end_indictor = self._indicator + batch_size
        # 如果結束點大於樣本數量
        if end_indictor > self._num_examples:
            if self._need_shuffle:
                # 重新打亂
                self._shffle_data()
                # 開始點歸零,從頭再來
                self._indicator = 0
                # 重新指定 結束點. 和上面的那一句,說白了就是重新開始
                end_indictor = batch_size # 其實就是 0 + batch_size, 把 0 省略了
            else:
                raise Exception( "have no more examples" )
        # 再次檢視是否 超出邊界了
        if end_indictor > self._num_examples:
            raise Exception( "batch size is larger than all example" )

        # 把 batch 區間 的data和label儲存,並最後return
        batch_data = self._data[self._indicator:end_indictor]
        batch_labels = self._labels[self._indicator:end_indictor]
        self._indicator = end_indictor
        return batch_data, batch_labels

# 拿到所有檔名稱
train_filename = [os.path.join(CIFAR_DIR, 'data_batch_%d' % i) for i in range(1, 6)]
# 拿到標籤
test_filename = [os.path.join(CIFAR_DIR, 'test_batch')]

# 拿到訓練資料和測試資料
train_data = CifarData( train_filename, True )
test_data = CifarData( test_filename, False )

batch_size = 20
# 設計計算圖
# 形狀 [None, 3072] 3072 是 樣本的維數, None 代表位置的樣本數量
x = tf.placeholder( tf.float32, [batch_size, 3072] )
# 形狀 [None] y的數量和x的樣本數是對應的
y = tf.placeholder( tf.int64, [batch_size] )

is_training = tf.placeholder(tf.bool, [])


x_image = tf.reshape( x, [-1, 3, 32, 32] )
# 將最開始的向量式的圖片,轉為真實的圖片型別
x_image = tf.transpose( x_image, perm= [0, 2, 3, 1] )

# 將x_image拆分,eg: [(1, 32, 32, 3), (1, 32, 32, 3), ... ]
x_image_arr = tf.split(x_image, num_or_size_splits = batch_size, axis = 0)

# 用於儲存增強後的圖片
result_x_image_arr = []

for x_single_image in x_image_arr:
    # 將x_single_image改變形狀,改為圖片的格式. eg:[1, 32, 32, 3] -> [32, 32, 3]
    x_single_image = tf.reshape(x_single_image, [32, 32, 3])
    # 上下反轉
    data_aug_1 = tf.image.random_flip_left_right(x_single_image)
    # 增加亮度
    data_aug_2 = tf.image.random_brightness(data_aug_1, max_delta = 63)
    # 增加對比度
    data_aug_3 = tf.image.random_contrast(data_aug_2, lower = 0.2, upper = 1.8)

    # 將單張圖片重新改成 四維
    x_single_image = tf.reshape(data_aug_3, [1, 32, 32, 3])

    # 將單張圖片存入列表
    result_x_image_arr.append(x_single_image)

# 將result_x_image_arr重新合併成資料集的樣子
result_x_images = tf.concat(result_x_image_arr, axis = 0)

# 重新做歸一化
normal_result_x_images = result_x_images / 127.5 - 1

"""
def conv_wrapper(inputs,
                 name,
                 output_channel = 32,
                 kernel_size = (3, 3),
                 activation = tf.nn.relu,
                 padding = 'same'):
    '''
    tf.layers.conv2d 的包裹函式
    :param inputs:
    :param name:
    :param output_channel:
    :param kernel_size:
    :param activation:
    :param padding:
    :return:
    '''
    return tf.layers.conv2d(inputs,
                            output_channel,
                            kernel_size,
                            padding = padding,
                            activation = activation,
                            name = name)
"""

def conv_wrapper(inputs,
                 name,
                 is_training,
                 output_channel = 32,
                 kernel_size = (3, 3),
                 activation = tf.nn.relu,
                 padding = 'same'):
    '''
    卷積層 包裹函式
    :param inputs:
    :param name:
    :param is_training:
    :param output_channel:
    :param kernel_size:
    :param activation:
    :param padding:
    :return:
    '''
    # without bn: conv -> activation
    # with batch normalization: conv -> bn -> activation

    with tf.name_scope(name):
        conv2d = tf.layers.conv2d(inputs,
                                output_channel,
                                kernel_size,
                                padding = padding,
                                activation = None,
                                name = name + '/conv2d')
        # 第二個引數很重要，normalization需要維護一個均值和一個方差，
        # 在訓練過程和測試過程中，他們的值是不一樣的，
        # 在訓練上，均值和方差是在一個batch上計算得到的
        # 預測過程中，均值和方差是在整個資料集上，通過加權平均計算得到的
        # 所以，在訓練和測試中模式是不一樣的，
        # 在 train 中，設定為 True，在test中，設定為False
        bn = tf.layers.batch_normalization(conv2d,
                                           training = is_training)
        return activation(bn)




def pooling_wrapper(inputs, name):
    '''
    tf.layers.max_pooling2d 的包裹函式
    :param inputs:
    :param name:
    :return:
    '''
    return tf.layers.max_pooling2d(inputs,
                                   (2, 2),
                                   (2, 2),
                                   name = name)


# conv1:神經元 feature_map 輸出影象  影象大小: 32 * 32
conv1_1 = conv_wrapper(normal_result_x_images, 'conv1_1', is_training)

conv1_2 = conv_wrapper(conv1_1, 'conv1_2', is_training)
conv1_3 = conv_wrapper(conv1_2, 'conv1_3', is_training)
# 池化層 影象輸出為: 16 * 16
pooling1 = pooling_wrapper(conv1_3, 'pooling1')
conv2_1 = conv_wrapper(pooling1, 'conv2_1', is_training)
conv2_2 = conv_wrapper(conv2_1, 'conv2_2', is_training)
conv2_3 = conv_wrapper(conv2_2, 'conv2_4', is_training)
# 池化層 影象輸出為 8 * 8
pooling2 = pooling_wrapper(conv2_3, 'pooling2')
conv3_1 = conv_wrapper(pooling2, 'conv3_1', is_training)
conv3_2 = conv_wrapper(conv3_1, 'conv3_2', is_training)
conv3_3 = conv_wrapper(conv3_2, 'conv3_3', is_training)
# 池化層 輸出為 4 * 4 * 32
pooling3 = pooling_wrapper(conv3_3, 'pooling3')
# 展平
flatten  = tf.contrib.layers.flatten( pooling3 )
y_ = tf.layers.dense(flatten, 10)


# 使用交叉熵 設定損失函式
loss = tf.losses.sparse_softmax_cross_entropy( labels = y, logits = y_ )
# 該api,做了三件事兒 1. y_ -> softmax 2. y -> one_hot 3. loss = ylogy

# 預測值 獲得的是 每一行上 最大值的 索引.注意:tf.argmax()的用法,其實和 np.argmax() 一樣的
predict = tf.argmax( y_, 1 )
# 將布林值轉化為int型別,也就是 0 或者 1, 然後再和真實值進行比較. tf.equal() 返回值是布林型別
correct_prediction = tf.equal( predict, y )
# 比如說第一行最大值索引是6,說明是第六個分類.而y正好也是6,說明預測正確



# 將上句的布林型別 轉化為 浮點型別,然後進行求平均值,實際上就是求出了準確率
accuracy = tf.reduce_mean( tf.cast(correct_prediction, tf.float64) )

with tf.name_scope( 'train_op' ): # tf.name_scope() 這個方法的作用不太明白(有點迷糊!)
    train_op = tf.train.AdamOptimizer( 1e-3 ).minimize( loss ) # 將 損失函式 降到 最低


def variable_summary(var, name):
    '''
    一個變數的各種統計量,建立一個summary
    :param var: 計算summary的變數
    :param name: 指定名稱空間,以防衝突
    :return:
    '''
    with tf.name_scope(name):
        mean = tf.reduce_mean(var)
        with tf.name_scope('stddev'):
            # 求標準差
            stddev = tf.sqrt(tf.reduce_mean(tf.square(var - mean)))
            tf.summary.scalar('mean', mean) # 均值
            tf.summary.scalar('stddev', stddev) # 標準差
            tf.summary.scalar('min', tf.reduce_min(var)) # 最小值
            tf.summary.scalar('max', tf.reduce_max(var)) # 最大值
            tf.summary.histogram('histogram', var) # 直方圖 反應的是變數的分佈


# 給六個卷積層新增summary
with tf.name_scope('summary'):
    variable_summary(conv1_1, 'conv1_1')
    variable_summary(conv1_2, 'conv1_2')
    variable_summary(conv2_1, 'conv2_1')
    variable_summary(conv2_2, 'conv2_2')
    variable_summary(conv3_1, 'conv3_1')
    variable_summary(conv3_2, 'conv3_2')



loss_summary = tf.summary.scalar('loss', loss)
# 'loss':<10, 1.1>, <20, 1.08>
accuracy_summary = tf.summary.scalar('accurary', accuracy)

inputs_summary = tf.summary.image('inputs_image', normal_result_x_images)

merged_summary = tf.summary.merge_all() # 將以上所有帶有 summary 的變數聚合起來
merged_summary_test = tf.summary.merge([loss_summary, accuracy_summary])

# 指定檔案儲存路徑
LOG_DIR = '.'
run_label = 'run_vgg_tensorboard'
run_dir = os.path.join(LOG_DIR, run_label)
# 判斷該資料夾是否已經建立
if not os.path.exists(run_dir):
    os.mkdir(run_dir)
# 在該資料夾下建立兩個資料夾,一個存放訓練資料,一個存放測試資料
train_log_dir = os.path.join(run_dir, 'train')
test_log_dir = os.path.join(run_dir, 'test')
# 判斷這兩個資料夾是否存在
if not os.path.exists(train_log_dir):
    os.mkdir(train_log_dir)
if not os.path.exists(test_log_dir):
    os.mkdir(test_log_dir)



# 初始化變數
init = tf.global_variables_initializer()

train_steps = 1000000
test_steps = 100

#　不是每一步summary都是要計算的可以定義一個範圍,每過多少步計算一次
output_summary_every_steps = 100


with tf.Session() as sess:
    sess.run( init ) # 注意: 這一步必須要有!!

    # 開啟一個writer,向writer中寫資料
    train_writer = tf.summary.FileWriter(train_log_dir, sess.graph) # 引數2:顯示計算圖
    test_writer = tf.summary.FileWriter(test_log_dir)

    fixed_test_batch_data, fixed_test_batch_labels = test_data.next_batch(batch_size)

    # 開始訓練
    for i in range( train_steps ):
        # 得到batch
        batch_data, batch_labels = train_data.next_batch( batch_size )


        eval_ops = [loss, accuracy, train_op]
        should_output_summary = ((i+1) % output_summary_every_steps == 0)

        if should_output_summary:
            eval_ops.append(merged_summary)


        # 獲得 損失值, 準確率
        eval_val_results = sess.run( eval_ops, feed_dict={x:batch_data, y:batch_labels, is_training:True} ) # 在訓練的時候，is_train 為 True
        loss_val, acc_val = eval_val_results[0:2]



        if should_output_summary:
            train_summary_str = eval_val_results[-1]
            train_writer.add_summary(train_summary_str, i+1)
            # 在 測試 時候，is_trian 為 False
            test_summary_str = sess.run([merged_summary_test],
                                        feed_dict = {x: fixed_test_batch_data,y: fixed_test_batch_labels, is_training: False} )[0]
            test_writer.add_summary(test_summary_str, i+1)



        # 每 500 次 輸出一條資訊
        if ( i+1 ) % 500 == 0:
            print('[Train] Step: %d, loss: %4.5f, acc: %4.5f' % ( i+1, loss_val, acc_val ))
        # 每 5000 次 進行一次 測試
        if ( i+1 ) % 5000 == 0:
            # 獲取資料集,但不隨機
            test_data = CifarData( test_filename, False )
            all_test_acc_val = []
            for j in range( test_steps ):
                test_batch_data, test_batch_labels = test_data.next_batch( batch_size )
                test_acc_val = sess.run( [accuracy], feed_dict={ x:test_batch_data, y:test_batch_labels, is_training:False } )
                all_test_acc_val.append( test_acc_val )
            test_acc = np.mean( all_test_acc_val )

            print('[Test ] Step: %d, acc: %4.5f' % ( (i+1), test_acc ))