tensorflow tips：features，batch_size，iteration，epoch， global_step， shard
example相当于一个单位的训练数据，例如一张图片，example包含features，features包含多个feature，feature即一个格式为Int64List或BytesList等格式的数据，例如一张图片包含的feature有：height， width，channels，filename，format等等。
如果batch_size==1，相当于学完一张图片就更新参数， 这样会导致特征不明显，参数振荡，两次的学习结果可能会互相抵消；如果batch_size=images_num(一个epoch), 相当于遍历完所有图片进行权值更新，这样训练的速度太慢。所以可以综合一下，取一个合适值。关于batch_size的取值问题参考：点击打开链接
epoch是整个训练数据集，当数据集不大时，直接batch_size=image_num，数据集大时可能资源不够，将epoch分成多个batches。
iteration是完成一次epoch所需的batch个数，也是batch_num。
global_step在训练中是计数的作用，每训练一个batch就加1，一般会设置一个max_number_of_steps，到达后训练结束。如在cifar10_train.py中，训练100K steps，训练了256个epoches。
读取数据例如图片集时，会创建多个线程来增加速度，读取图片后将数据存进tfrecord文件，为了加速读取，可设置多个存入数据的文件即rfrecord文件，这个tfrecord文件数就是shard的值，每一个线程均分设置的shard数量，所以shard数应当是thread数的倍数