tf.truncated_normal(shape, stddev=0.1)
tf.constant(0.1, shape=shape)
tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')
tf.nn.max_pool(x, ksize=[1, 2, 2, 1],strides=[1, 2, 2, 1], padding='SAME')

initial = tf.truncated_normal ( shape, stddev=0.1 )  # 正態分佈，標準差為 0.1，預設最大為 1，最小為 -1，均值為 0
 

initial = tf.constant ( 0.1, shape=shape )   # 建立一個結構為 shape 矩陣也可以說是陣列 shape 宣告其行列，初始化所有值為 0.1  

tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, data_format=None, name=None)

• input: A Tensor. type必須是以下幾種型別之一: half, float32, float64.
• filter: A Tensor. type和input必須相同
• strides: A list of ints.一維，長度4， 在input上切片取樣時，每個方向上的滑窗步長，必須和format指定的維度同階
• padding: A string from: “SAME”, “VALID”. padding 演算法的型別
• use_cudnn_on_gpu: An optional bool. Defaults to True.
• data_format: An optional string from: “NHWC”, “NCHW”， 預設為”NHWC”。 
  指定輸入輸出資料格式，預設格式為”NHWC”, 資料按這樣的順序儲存： 
  [batch, in_height, in_width, in_channels] 
  也可以用這種方式：”NCHW”, 資料按這樣的順序儲存： 
  [batch, in_channels, in_height, in_width]
• name: 操作名，可選.

tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME') # 卷積遍歷各方向步數為 1，SAME：邊緣外自動補 0，遍歷相乘 

tf.nn.max_pool(x, ksize=[1, 2, 2, 1],strides=[1, 2, 2, 1], padding='SAME')

# 池化卷積結果（conv2d）池化層採用kernel大小為 2*2，步數也為2，周圍補0，取最大值。資料量縮小了4倍 

tf.nn.max_pool(value, ksize, strides, padding, name=None)

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

x_image = tf.reshape(x, [-1,28,28,1])