代码说明：这里只进行图片分类的测试，并不进行图片的训练，使用的方法是读入.npy文件，获得的数据是字典类型的参数数据，字典的键是’conv1‘,‘fc6‘每一层的名字，字典的值是一个大列表，列表中有两个数据，一个是w的值，一个是b的值，对于w的值，其len(w.shape) > 1， 对于b的值，其len(b.shape) = 1
需要做的是：构建Alexnet的网络结构，读入npy已经训练好的参数，并进行训练
数据说明：测试数据为3张图片，使用cv2.resize将数据的维度变成(227, 227)
代码：
第一步：使用argpase.ArgumentParser() 构建输入参数，parser.add_argument添加参数，这里使用的参数是图片的来源args.images, 图片的地址args.path
第二步：读取图片
判断图片的来源方式：
如果是folder， 使用lamda f: ’{}/{}‘.format(args.path, f) 构建文件的路径， 使用os.listdir(args.path) 遍历文件里的文件名，使用cv2.imread(withpath(f)) 读取文件， 使用os.path.isfile(withpath(f)) 判断是否是文件，使用dict将读取的结果进行组合
如果是url，即网络上的图片地址，构建读取图片的函数，使用urllib.request.urlopen()打开文件路径，使用bytearray(resp.read()) 将读取的图片转换为二进制格式，使用cv2.imdecode() 将图片转换为utf-8类型
第三步：如果读到图片，进行参数的设置，
dropout: 用于进行tf.nn.dropout的keep_prob
skip: 用于在后续的参数加载中，用来去掉不需要进行加载的参数
numClass： 分类的结果数
x: tf.placeholder() 用于进行输入数据的初始化
imgMean： 图片的均值，用于后续的图片去均值
第四步：模型的实例化操作
原文：https://www.cnblogs.com/my-love-is-python/p/10567016.html