卷积池化函数

mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

sess = tf.InteractiveSession() #创建一个新的senssion，这个命令会将这个session注册为默认的session，之后的运算也默认跑在这个session中，不同session之间的数据和运算应该是相互独立的。

# 初始化权重矩阵：加入标准差为0.1的正态分布噪声
def weight_variable(shape):
　　initial = tf.truncated_normal(shape, stddev=0.1) #tf.truncated_normal(shape, mean, stddev)中的shape表示生成维度为shape，mean表示均值，stddev是标准差，这个函数产生正太分           布，均值和标准差由mean和stddev确定。
　　return tf.Variable(initial)
# 初始化偏置：增加一些小正值，避免死亡节点
def bias_variable(shape): 
　　initial = tf.constant(0.1, shape=shape) #tf.constant函数会返回shape形状的矩阵，数值为0.1

　　return tf.Variable(initial)
# 二维卷积函数：W为卷积的参数，如[5,5,1,32]表示5*5的卷积核，1个channel，32个卷积核
def conv2d(x, W):
　　return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME') #
# 最大池化函数
def max_pool_2x2(x):
return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],
strides=[1, 2, 2, 1], padding='SAME')

# Dropout:防止过拟合
keep_prob = tf.placeholder(tf.float32)
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob) # 按照keep_prob的概率扔掉一些，为了减少过拟合