搭建普通的卷积CNN网络。
nan表示的是无穷或者是非数值，比如说你在tensorflow中使用一个数除以0，那么得到的结果就是nan。
在一个matrix中，如果其中的值都为nan很有可能是因为采用的cost function不合理导致的。
当使用tensorflow构建一个最简单的神经网络的时候，按照tensorflow官方给出的教程：
https://www.tensorflow.org/get_started/mnist/beginners
http://wiki.jikexueyuan.com/project/tensorflow-zh/tutorials/mnist_beginners.html （中文教程）
具体的含义就不解释了。大概分为三个部分：1，导入数据集；2，搭建模型，并且定义cost function（也叫loss function）；3，训练。
对于过程1，我们采用的不是mnist数据集，而是自己定义了一个数据集，其中
对于过程2，我们使用最简单的CNN网络，然后定义cost function的方式是：
cross_entropy = -tf.reduce_sum(y_*tf.log(y))
对于过程3，我们也采用教程中的例子去训练。
但是在初始化W后就立刻查看W参数的结果，得到的结果都是nan，以下是输出W权重后的结果：
这个现象是由于cost function引起的：
cross_entropy = -tf.reduce_sum(y_*tf.log(y))
上面的语句中的y_是数据集的label。我们做的是显著性检测，就是数据集的ground truth。
并且这个label或者ground truth一定要是one hot类型的变量。
那什么是one hot类型的变量呢？
举一个例子：比如一个5个类的数据集，用0,1,2,3,4来表示5个类的标签，因此label=0,1,2,3,4。这时候有的人会把y_=0,1,2,3,4。直接输入到cost function——-tf.reduce_sum(y_*tf.log(y))中，那么这样会导致W参数初始化都是nan。
解决办法就是我们把label=0,1,2,3,4变为one hot变量，改变后的结果是：label=[1,0,0,0,0],[0,1,0,0,0],[0,0,1,0,0],[0,0,0,1,0],[0,0,0,0,1]，这样再输入到tf.reduce_sum(y_*tf.log(y))中，就是正确的了,如下图，我们采用的解决办法是第二种，具体参考下文。
那么本文提供两种方法来解决这个问题：
1，将y_从原来的类别数字变为one hot变量，使用
labels = tf.reshape(labels, [batch_size, 1])
indices = tf.reshape(tf.range(0, batch_size, 1), [batch_size, 1])
labels = tf.sparse_to_dense(
tf.concat(values=[indices, labels], axis=1),
[batch_size, num_classes], 1.0, 0.0)
将label转为one hot（batch_size是你每次抓取的训练集的个数）
2，换一个cost function，原来的cost function = -tf.reduce_sum(y_*tf.log(y))
使用的是交叉熵函数，现在我们换成二次代价函数 cost function = tf.reduce_sum(tf.square(tf.substract(y_,y)))