第2畳み込み層、プーリング層

W_conv2 = weight_variable([5, 5, 32, 64])
b_conv2 = bias_variable([64])
h_conv2 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)

第2畳み込み層においても、第1畳み込み層と同様の処理を行っている。 異なる点は、第1畳み込み層、プーリング層で処理を行ったデータは、$14\times 14$サイズ、32チャンネルのデータとなっているため、32チャンネルから64チャンネルの特徴を抽出している点である。

h_pool1 = max_pool_2x2(h_conv1)

第2プーリング層においても同様である。 第2プーリングを行った時点では、$7\times 7$サイズ、64チャンネルのデータとなっている。