如何理解最简单的CNN代码（卷积层到全链接层）

with tf.variable_scope('local3') as scope:

        # 第一层全连接

        reshape = tf.reshape(pool2, [BATCH_SIZE,-1])

        dim = reshape.get_shape()[1].value

        weights = variables('weights', shape=[dim,384], stddev=0.004)

        biases = variable_on_cpu('biases', [384])

        # ReLu 激活函数

        local3 = tf.nn.relu(tf.matmul(reshape, weights)+biases, 

                            name = scope.name)

其中的BATCH_SIZE是一个batch的大小，因为网络的输入必定是一张图片，而一个batch里有

BATCH_SIZE张图片，需要将其reshape，并且tf.matul的格式是XW而不是推导时的WX，所以

为[BATCH_SIZE,-1]形状。

总之，前面的卷积和池化的BATCH_SIZE张图片都是放在一起进行，而到全链接时，换了一种更

高效的数据组织方式（reshape），将batch内每一张图片全链接，详细类似推导时的转置。