tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)

介紹引數：

input：指卷積需要輸入的引數，具有這樣的shape[batch, in_height, in_width, in_channels]，分別是[batch張圖片, 每張圖片高度為in_height, 每張圖片寬度為in_width, 影象通道為in_channels]。

filter：指用來做卷積的濾波器，當然濾波器也需要有相應引數，濾波器的shape為[filter_height, filter_width, in_channels, out_channels]，分別對應[濾波器高度, 濾波器寬度, 接受影象的通道數, 卷積後通道數]，其中第三個引數 in_channels需要與input中的第四個引數 in_channels一致，out_channels第一看的話有些不好理解，如rgb輸入三通道圖，我們的濾波器的out_channels設為1的話，就是三通道對應值相加，最後輸出一個卷積核。

strides:代表步長，其值可以直接預設一個數，也可以是一個四維數如[1,2,1,1]，則其意思是水平方向卷積步長為第二個引數2，垂直方向步長為1.其中第一和第四個引數我還不是很明白，請大佬指點，貌似和通道有關係。

padding：代表填充方式，引數只有兩種，SAME和VALID，SAME比VALID的填充方式多了一列，比如一個3*3影象用2*2的濾波器進行卷積，當步長設為2的時候，會缺少一列，則進行第二次卷積的時候，VALID發現餘下的視窗不足2*2會直接把第三列去掉，SAME則會填充一列，填充值為0。

use_cudnn_on_gpu：bool型別，是否使用cudnn加速，預設為true。大概意思是是否使用gpu加速，還沒搞太懂。

name：給返回的tensor命名。給輸出feature map起名字。

tf.nn.max_pool(value, ksize, strides, padding, name=None)

value：池化的輸入，一般池化層接在卷積層的後面，所以輸出通常為feature map。feature map依舊是[batch, in_height, in_width, in_channels]這樣的引數。

ksize：池化視窗的大小，引數為四維向量，通常取[1, height, width, 1]，因為我們不想在batch和channels上做池化，所以這兩個維度設為了1。ps：估計面tf.nn.conv2d中stries的四個取值也有              相同的意思。

stries：步長，同樣是一個四維向量。

padding：填充方式同樣只有兩種不重複了。