手写数字识别中找到train函数中与前向传播，损失计算等对应的语句

在手写数字识别中，train函数中前向传播和损失计算的代码如下：

# 定义前向传播函数
def forward(x, weights, biases):
    # 第一层卷积层
    conv1 = tf.nn.conv2d(x, weights['wc1'], strides=[1, 1, 1, 1], padding='SAME')
    conv1 = tf.nn.bias_add(conv1, biases['bc1'])
    conv1 = tf.nn.relu(conv1)
    # 第一层池化层
    pool1 = tf.nn.max_pool(conv1, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')
    # 第二层卷积层
    conv2 = tf.nn.conv2d(pool1, weights['wc2'], strides=[1, 1, 1, 1], padding='SAME')
    conv2 = tf.nn.bias_add(conv2, biases['bc2'])
    conv2 = tf.nn.relu(conv2)
    # 第二层池化层
    pool2 = tf.nn.max_pool(conv2, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')
    # 将池化层的输出转换为全连接层的输入格式
    fc1 = tf.reshape(pool2, [-1, weights['wd1'].get_shape().as_list()[0]])
    # 第一层全连接层
    fc1 = tf.add(tf.matmul(fc1, weights['wd1']), biases['bd1'])
    fc1 = tf.nn.relu(fc1)
    # 第二层全连接层
    fc2 = tf.add(tf.matmul(fc1, weights['wd2']), biases['bd2'])
    fc2 = tf.nn.relu(fc2)
    # 输出层
    out = tf.add(tf.matmul(fc2, weights['out']), biases['out'])
    return out

# 定义损失计算函数
def loss(logits, labels):
    cross_entropy = tf.nn.softmax_cross_entropy_with_logits_v2(logits=logits, labels=labels)
    loss = tf.reduce_mean(cross_entropy)
    return loss

其中，前向传播函数`forward`中，通过卷积层、池化层和全连接层逐步构建神经网络，并最终得到输出层的结果。损失计算函数`loss`中，使用交叉熵作为损失函数，计算预测值与真实值之间的差距。