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

除去name引數用以指定該操作的name，與方法有關的一共五個引數：第一個引數input：指需要做卷積的輸入影象，它要求是一個Tensor，具有[batch, in_height, in_width, in_channels]這樣的shape，具體含義是[訓練時一個batch的圖片數量, 圖片高度, 圖片寬度, 影象通道數]，注意這是一個4維的Tensor，要求型別為float32和float64其中之一；

第二個引數filter：相當於CNN中的卷積核，它要求是一個Tensor，具有[filter_height, filter_width, in_channels, out_channels]

第三個引數strides：卷積時在影象每一維的步長，這是一個一維的向量，長度4；

第四個引數padding：string型別的量，只能是"SAME","VALID"其中之一，這個值決定了不同的卷積方式；

第五個引數use_cudnn_on_gpu:bool型別，是否使用cudnn加速，預設為true

結果返回一個Tensor，這個輸出，就是我們常說的feature map

那麼TensorFlow的卷積具體是怎樣實現的呢，用一些例子去解釋它：

1.考慮一種最簡單的情況，現在有一張3×3單通道的影象（對應的shape：[1，3，3，1]），用一個1×1的卷積核（對應的shape：[1，1，1，1]）去做卷積，最後會得到一張3×3的feature map

2.增加圖片的通道數，使用一張3×3五通道的影象（對應的shape：[1，3，3，5]），用一個1×1的卷積核（對應的shape：[1，1，1，1]）去做卷積，仍然是一張3×3的feature map，這就相當於每一個畫素點，卷積核都與該畫素點的每一個通道做點積

input = tf.Variable(tf.random_normal([1,3,3,5]))
filter = tf.Variable(tf.random_normal([1,1,5,1]))
 
op = tf.nn.conv2d(input, filter, strides=[1, 1, 1, 1], padding='VALID')
 

3.把卷積核擴大，現在用3×3的卷積核做卷積，最後的輸出是一個值，相當於情況2的feature map所有畫素點的值求和

input = tf.Variable(tf.random_normal([1,3,3,5]))
filter = tf.Variable(tf.random_normal([3,3,5,1]))
 
op = tf.nn.conv2d(input, filter, strides=[1, 1, 1, 1], padding='VALID')

4.使用更大的圖片將情況2的圖片擴大到5×5，仍然是3×3的卷積核，令步長為1，輸出3×3的feature map

input = tf.Variable(tf.random_normal([1,5,5,5]))
filter = tf.Variable(tf.random_normal([3,3,5,1]))
 
op = tf.nn.conv2d(input, filter, strides=[1, 1, 1, 1], padding='VALID')

5.上面我們一直令引數padding的值為‘VALID’，當其為‘SAME’時，表示卷積核可以停留在影象邊緣，如下，輸出5×5的feature map

input = tf.Variable(tf.random_normal([1,5,5,5]))
filter = tf.Variable(tf.random_normal([3,3,5,1]))
 
op = tf.nn.conv2d(input, filter, strides=[1, 1, 1, 1], padding='SAME')

6.如果卷積核有多個

input = tf.Variable(tf.random_normal([1,5,5,5]))
filter = tf.Variable(tf.random_normal([3,3,5,7]))
 
op = tf.nn.conv2d(input, filter, strides=[1, 1, 1, 1], padding='SAME')

此時輸出7張5×5的feature map 

7.步長不為1的情況，文件裡說了對於圖片，因為只有兩維，通常strides取[1，stride，stride，1]

input = tf.Variable(tf.random_normal([1,5,5,5]))
filter = tf.Variable(tf.random_normal([3,3,5,7]))
 
op = tf.nn.conv2d(input, filter, strides=[1, 2, 2, 1], padding='SAME')

8.如果batch值不為1，同時輸入10張圖

input = tf.Variable(tf.random_normal([10,5,5,5]))
filter = tf.Variable(tf.random_normal([3,3,5,7]))
 
op = tf.nn.conv2d(input, filter, strides=[1, 2, 2, 1], padding='SAME')

每張圖，都有7張3×3的feature map，輸出的shape就是[10，3，3，7]

---------------------------------------------------------------------------------------------------------------------------------------------------------------------------

個人總結：

ef weight_variable(shape):
    initial = tf.truncated_normal(shape, stddev=0.1)
    return tf.Variable(initial)
def bias_variable(shape):
    initial = tf.constant(0.1, shape=shape)
    return tf.Variable(initial)
def conv2d(x, W):#卷積
    return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')

x_image = tf.reshape(xs, [-1,5,1, 3])
W_conv1 = weight_variable([2,2,3,32])
b_conv1 = bias_variable([32])
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)#shape=(?,5,1,32)

x_image的shape中-1表示輸入圖片數目不定，5表示圖片的高度，1表示圖片的寬度，3表示影象的通道數

W_conv1的shape中前兩個2分別表示卷積核的高度和寬度，3表示影象的通道數，與輸入的x_image的第三維是對應的，32表示卷積核的數目，它決定了生成的feature map的數目

由h_convl的shape我們可以看到第一維未知，就是輸入影象的數目，對應於-1,而5*1正是x_image中影象的高度和寬度，32則是卷積核的數目，也是生成的feature map的數目