通過CNN組成（卷積層和全連線層）進行分析。
（1）卷積層
  卷積層對於影象是沒有尺寸限制要求的。輸入影象是28*28，卷積僅於自身的卷積核大小，維度有關，輸入向量大小對其無影響（如第一層卷積，輸入影象的大小和維度）。

# 輸入影象
x = tf.placeholder(tf.float32, [None, 784])
y_ = tf.placeholder(tf.float32, [None, 10])
x_image = tf.reshape(x, [-1, 28, 28, 1])
# 卷積層
W_conv1 = weight_variable([5, 5, 1, 32])
b_conv1 = bias_variable([32
 
])
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
...
...
# 池化層
h_pool2 = max_pool_2x2(h_conv2)

（2）全連線層
  全連線過程中，w_fc1的輸入與卷積層後的輸出有關係，即對code中池化結果h_pool2進行reshape，該處是輸入上一層的大小7*7*64。

# 全連線層
W_fc1 = weight_variable([7*7*64, 1024])
b_fc1 = bias_variable([1024])
h_pool2_flat = tf.reshape(h_pool2,[-1
 
, 7*7*64])
# h_pool2_flat = tf.reshape(h_pool2,[batch_size, -1])
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)

  可以看出，全連線層的輸入是固定大小的，如果輸入向量的維數不固定，那麼全連線的權值引數的量也是不固定的，就會造成網路的動態變化，無法實現引數訓練目的。