A Guide to TF Layers: Building a Convolutional Neural Network
TensorFlow 中的layers 模块提供了高级API，使我们能轻易创建出神经网络。包括全连接层，卷积层，激活函数，dropout regularization。在本文中，将构建CNN网络来进行手写数字识别。
MNIST数据集包括60000个训练样本，10000个测试样本，每个样本为28*28像素的图片。
本例中使用的网络结构如下：
卷积层1：32个5*5 filter，激活函数为ReLU
池化层1：2*2，步长为2
卷积层2: 64个5*5 filter，激活函数为ReLU
池化层2: 2*2，步长为2
Dense Layer 1（全连接层）：1024个neurons，dropout regularization rate 为 0.4
API中的三个函数(这三个函数的输入输出均为tensor)：tf.layers.conv2d(), tf.layers.max_pooling2d(), tf.layers.dense()
首先给出定义模型的代码：
下面对代码细节进行解释：
Input Layer:
对于一个二维的图像，首先将数据转化为以下形式[batch_size,image_width,image_height,channels]
其中batch_size = -1，表示生成自适应大小的tensor。
Convolutional Layer:
此处值得注意的是，padding，padding有两个可选值 valid和same，默认为valid，当padding值为same值时，卷积是会在边缘处补0，使得输出tensor的width*height与输入相同。
Dense Layer：
这里的全连接层包含1024个神经元，在连接至全连接层之前，我们首先将原有的tensor转换。由pool2输出的tensor（[batch_size,image_width,image_height,channels]）转换为二维的tensor（[batch_size,features]）。Features需要自己计算出来，因为pool2输出tensor的格式为[batch_size,7,7,64]。
为了防止过拟合，需要使用drop regularization，
这里的参数training是一个Boolean值，只有在训练阶段，才需要使用dropout。当training = true时，这一层才会运行。输出为[batch_size, 1024]
Logits Layer:
这里使用了默认的激活函数linear activation
Generate Predictions：
Logits Layer输出一个tensor[batch_size,10](类似一个batch_size 行，10列的一个矩阵，对应每一张图片，都会产生一个向量，每个向量有10个值),在此，我们可以生成两种类型的返回值，（1）返回0,1,2,3,4,5,6,7,8,9中的一个数字（2）返回对应每个数字的概率，例如0的概率是0.2,1的概率是0.7等等。
在本例中，我们返回向量（10个值）中，最大值对应的类别。使用tf.argmax()获得对应的索引。
可以使用tf.nn.softmax()得到每个类别对应的概率：
我们使用name参数来明确命名这个操作softmax_tensor，所以我们可以在稍后引用它.
将预测结果放入一个字典中，返回一个EstimatorSpec对象。
Calculate Loss：
对于多分类问题，多采用cross_entropy作为loss function。
首先,传入的labels尺寸为[batch_size,1],将其转化为与logits相同的尺寸[batch_size,10]。
tf.cast(x,dtype): Casts a tensor to a new type.
tf.estimator.EstimatorSpec 类
Ops and objects returned from a model_fn and passed to an Estimator.（从定义模型的函数中返回，并传递给Estimator的一个中间产物）
构造函数：
Training Op:
Evaluation Op:
代码：
