给定CNN结构：conv2d--relu--MaxPool--conv2d--relu--MaxPool--FullConnected
1.数据集预处理：和普通神经网络不同的是，CNN中输入的训练集和的测试集只需进行单位化处理而不需要flatten，因为卷积过程并没有化矩阵为向量，而是对矩阵进行处理。对于多维输出Y需要进行one_hot处理将其变为对应矩阵。
2.定义相关函数：
2.1设置占位符：由于tensorflow的模式，需要为输入X，输出Y，这里的X，Y的第一维数用None表示，因为还不清楚后续过程穿过来的数据有多少个样本。
代码如下：X=tf.placeholders(tf.float32,[None,n_H0,n_W0,n_C0])
Y=tf.placeholders(tf.float32,[None,n_y])
2.2初始化参数：根据给定的条件初始化W1，W2（以两层CNN为例），b不用初始化，tensorflow会自动生成，FC层也是如此。W的维度为(f,f,n_C_prev,n_C)
2.3前向传播：利用tf的内置函数进行前向传播以第一层为例：
代码如下：
卷积层---- Z1=tf.nn.conv2d(X,W1,strides=[1,1,1,1],padding='SAME')
激活函数--A1=tf.nn.relu(Z1)
池化层----P1=tf.nn.max_pool(A1,ksize=[1,4,4,1],strides=[1,4,4,1],padding='SAME')
最后进过第二层的池化后需要把P2 flatten,获得一个列向量，在进如全连接层
flatten:P=tf.contrib.layers.flatten(P2)
FullConnected:Z3=tf.contrib.layers.fully_connected(P,6,activation_fn=None)
至此完成了前向传播所有操作
2.4计算cost，tf中自带cost计算函数，将Z3，Y3传入函数即可
cost=tf.reduc_mean(tf.nn.softmax_cross_entropy_with_logits(logits=Z3,labels=Y))
2.5反向传播与优化不用写函数，tf会自动进行
3 model：利用写好的函数搭建model
3.1设置占位符，初始化参数，前向传播，计算cost，设置优化函数，这里写出优化函数的代码
optimizer=tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(cost),
初始化所有变量：init=tf.global_variables_initializer()
注意到此步位置完成所有需要用到的函数的定义，但均为进行数据传递也未运行。接下来定义一个session
3.2定义session：
with tf.session() as sess:
sess.run(init) #运行全局初始化函数
for epoch in range(num_epochs):
mini_cost=0
seed+=1
num_minibacthes=int(m/minibatch_size)
minibatches=random_minibacthes(X_train,Y_train,minibatch_size,seed)#设置minibatch
for minibatch in minibatches:
minibatch_X,minibatch_Y=minibatch
#对每个minibatch运行以上函数
_,cost=sess.run([optimizer.cost],feed_dict={X:minibatch_X，Y:minibatch_Y})
minibatch_cost+=cost/num_minibatches