1：定义卷积层的权重时候
def weight_variable(shape):
initial = tf.truncated_normal(shape, stddev=0.1)
return tf.Variable(initial)
W_conv1 = weight_variable([5,5,1,32])
通俗说法：5*5的卷积来做运算，1代表的是处理的图像颜色通道只有1个，32指有32个卷积 即提取32个特征
更通俗的说明：我们使用了32个filters,每一个都有一个大小为5*5的窗口。我们必须定义一个tensor来保存shape为[5,5,1,32]权重矩阵W：前两个参数是窗口的大小，第三个参数是channel的数量。最后一个定义了我们想使用多少个特征
2：定义max_pooling层的时候
def max_pool_2x2(x):
return tf.nn.max_pool(x,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')
tf.nn.max_pool(value, ksize, strides, padding, name=None)
参数是四个，和卷积很类似：
第一个参数value：需要池化的输入，一般池化层接在卷积层后面，所以输入通常是feature map，依然是[batch, height, width, channels]这样的shape
第二个参数ksize：池化窗口的大小，取一个四维向量，一般是[1, height, width, 1]，因为我们不想在batch和channels上做池化，所以这两个维度设为了1
第三个参数strides：和卷积类似，窗口在每一个维度上滑动的步长，一般也是[1, stride,stride, 1]
第四个参数padding：和卷积类似，可以取'VALID' 或者'SAME'
返回一个Tensor，类型不变，shape仍然是[batch, height, width, channels]这种形式
3：每层和每层之间的权重设置关系
W_conv1 = weight_variable([5,5,1,32])
第一个卷积层中，每个size都是5*5，然后因为图像channel是1（mnist是灰色图像 不是RGB格式），32是指由32个卷积，形成32层深的一个输出
因为上层有32个输出，就相当于一幅图像是32个channel了，所以这块第3个参数必须是32，64就代表有64个卷积
W_conv2 = weight_variable([5,5,32,64])
最后一层是全连接层的权重，7*7*64这应该是计算好了的，不是随便写，1024就说明全连接层输出是1024个神经元，或者说是1024个特征
W_fc1 = weight_variable([7*7*64, 1024])