用卷积神经网络实现MNIST数据集分类

在这节的内容中，我们用之前讲述的内容来搭建一个比较简单的卷积神经网络，实现MNIST手写数字体数据集的图片分类。

我们给出本次实验的CNN网络参数配置如下：

原始数据：输入为[28,28]，输出为[1,10]

卷积核1：[5,5]，32个特征 -->282832

池化核1：[2,2]，最大池化 -->141432

卷积核2：[5,5]，2个特征 -->141464

池化核2：[2,2]，最大池化 -->7764

全连接1：[7764,1024]

全连接2：[1024,10]

输出： [1,1,10]

首先我们载入MNIST数据集，设置批处理大小，one_hot指的是独热码的编码(encoding)形式，有关于独热编码大家可以自己搜索下相关内容。

下面是定义初始卷积层函数和池化层函数，卷积层的输入是我们的图片大小，由于利用了填充，所以最后输出的还是原来的图片大小，28x28,只不过图片的通道数变大了，成了32，我们可以理解为图片的横截面变”厚”了；然后经过一层池化层的时候，图片大小成了14x14的；再经过第二次卷积层的时候，跟第一层的原理一样，图片的长宽不变，厚度增加，再经过第二次池化层的时候，图片的大小