1.tf.placeholder(tf.float32,[None,N])#为训练集设置占位符，N为图像数据的总大小或标签的总大小2.tf.reshape(x,[batch,in_height,in_weight,channels])#将训练数据整理为卷积所需要的大小格式3.tf.Variable(tf.truncated_normal(shape,stddev = 0.1))#截断正态分布初始化模型参数4.tf.nn.relu()#激活函数Relu5.tf.nn.conv2d(x,Filter,strides = [1,1,1,1],padding = padding)#卷积函数6.tf.nn.max_pool(x,ksize = [1,2,2,1],strides = [1,2,2,1],padding = padding)#最大池化函数，一般不在batch和channels上进行池化，故设置为1，ksize为池化核的大小，这里表示大小为2x2。7.tf.reduce_mean(x,axis,keep_dims = False,name = None,reduction_indices = None)#axis = 0,垂直方向约减，axis = 1，水平方向约减。axis = [0,1]或[1,0]，按顺序约减。keep_dims,表示是否保留维度信息8.tf.matmul(x,W)#实现两个tensor（矩阵）的相乘9.tf.nn.softmax_cross_entropy_with_logits(labels = y_,logits = y_out)#交叉熵损失函数10.tf.train.AdamOptimizer(learning_rate).minimize(loss_function)#优化函数，实现反向传播11.tf.equal(a,b)#判断a，b中，对应位置的元素是否一致，并返回一个bool型数组12.tf.cast(x, dtype, name=None)#强制类型转换，dtype为目标数据类型
