return tf.nn.conv2d(x,W,strides=[1,1,1,1],padding='SAME')
Given an input tensor of shape `[batch, in_height, in_width, in_channels]`
x的输入各列含义为[batch,输入高度,输入宽度,输入通道数]
W为[filter_height, filter_width, in_channels, out_channels]`
按照示例中的含义表示x输入为28*28的图像,输入的图像通道为1,
W表示卷积核为5*5 输入输入通道为1,输出通道为32
其中striders表示对四维的输入和卷积核上步进为1
padding 为SAME的时候表示卷积的输入和输出的大小不变,如果为VALID的话,那么,输出大小为28-(5-1)=24
在实例中第一层 28*28->conv[5,5]->28*28->pool[2*2]->14*14->conv[5*5]->14*14->pool[2,2]->7*7
所以对于全连接层来说,输入的图片为7*7*64
参考http://www.jianshu.com/p/2186766b69dc#