1：定義卷積層的權重時候

def weight_variable(shape):
    initial = tf.truncated_normal(shape, stddev=0.1)
    return tf.Variable(initial)

W_conv1 = weight_variable([5,5,1,32])

通俗說法：5*5的卷積來做運算，1代表的是處理的影象顏色通道只有1個，32指有32個卷積 即提取32個特徵

更通俗的說明：我們使用了32個filters,每一個都有一個大小為5*5的視窗。我們必須定義一個tensor來儲存shape為[5,5,1,32]權重矩陣W：前兩個引數是視窗的大小，第三個引數是channel的數量。最後一個定義了我們想使用多少個特徵

2：定義max_pooling層的時候

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)

引數是四個，和卷積很類似：

第一個引數value：需要池化的輸入，一般池化層接在卷積層後面，所以輸入通常是feature map，依然是[batch, height, width, channels]這樣的shape

第二個引數ksize：池化視窗的大小，取一個四維向量，一般是[1, height, width, 1]，因為我們不想在batch和channels上做池化，所以這兩個維度設為了1

第三個引數strides：和卷積類似，視窗在每一個維度上滑動的步長，一般也是[1, stride,stride, 1]

第四個引數padding：和卷積類似，可以取'VALID' 或者'SAME'

返回一個Tensor，型別不變，shape仍然是[batch, height, width, channels]這種形式

3：每層和每層之間的權重設定關係

W_conv1 = weight_variable([5,5,1,32])

第一個卷積層中，每個size都是5*5，然後因為影象channel是1（mnist是灰色影象 不是RGB格式），32是指由32個卷積，形成32層深的一個輸出

因為上層有32個輸出，就相當於一幅影象是32個channel了，所以這塊第3個引數必須是32，64就代表有64個卷積

W_conv2 = weight_variable([5,5,32,64])

最後一層是全連線層的權重，7*7*64這應該是計算好了的，不是隨便寫，1024就說明全連線層輸出是1024個神經元，或者說是1024個特徵

W_fc1 = weight_variable([7*7*64, 1024])