最近在做练习题的时候看到一个代码：
W_conv1 = weight_variable([5, 5, 1, 32])这个是CNN中某一层的权重定义，然后就有点懵，所以在网上看了一下相关的帖子
对于shape来说可以定义多维度（二维以上）的张量，所以经常会出现这样的表述
那么这个[5, 5, 1, 32]应该怎么理解呢？
还是从一个简单的例子说起，
import tensorflow as tf
a = tf.constant([[1.,2.,3.],[4.,5.,6.],[7.,8.,9.]],shape = [3,3])
b = tf.initialize_all_variables()
with tf.Session() as sess:
sess.run(b)
print(sess.run(a))
运行结果是
[[ 1. 2. 3.]
[ 4. 5. 6.]
[ 7. 8. 9.]]我们可以理解为：
shape[3, 3]的第一个“3”表示：“在第一个中括号以内存在3组元素”，
同理，则shape[3, 3]的第二个“3”表示：“在第二个中括号以内存在3组元素”。
由此我们可以知道[5, 5, 1, 32]这个结构首先是一个四维张量
其次在第一个维度中由五个元素组成
第三，这五个元素均是由五个子级元素组成
第四，五个子级元素中只有一个次级元素
最后，一个次级元素中包含了32个子元素
但从字面上理解比较抽象，这需要和神经网络的输入层元素个数进行联想，这里的数字都是每一层都是有特定具体含义的
然后说一下reshape中的-1参数
看到的代码如下
x_image = tf.reshape(x, [-1, 28, 28, 1])其中的-1表示“目前我不确定”，所以在运行的时候程序先考虑后面的28,28和1
最后再看能组成什么样子
Emmmm，就这样！
参考：