看到网上的很多讲解，给了很多例子，但是没有一个总结得比较符合自己的习惯的。所以自己总结一下：
tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)
input:输入的矩阵，要求是四维：[m, row_pixel, column_pixel, channel]
m即样本的数目，训练样本或者是测试样本的数目。
row_pixel就是图像的行像素数目
column_pixel就是图像的列像素数目
channel就是图像的通道数，简单来说就是，如果是黑白的图像，那通道数就是1，如果是彩色图像，那通道数就是3（因为RGB三个通道）
filter:卷积核，要求是四维：[row, column, input_matrix_channel, filter_channel]
row即卷积核的行数
column即卷积核的列数
input_matrix_channel即输入图像的通道数。如果后面的strides中设置了channel_strides不为1，那么这里就不再是输入图像的通道数，具体数值需要计算。不过一般都把后面strides中的channel_strides设置为1，所以没有例外的话，这样写也没啥太大的关系。
filter_channel即卷积核的通道数
strides:即步长，要求是一维的list：[m_strides, row_pixel_strides, column_pixel_strides, channel_strides]
m_strides即卷积核在输入矩阵的第一维（即样本数目）上进行卷积的步长
row_pixel_strides即卷积核在输入矩阵第二维（即行像素）上进行卷积的步长
column_pixel_strides即卷积核在输入矩阵第三维（即列像素）上进行卷积的步长
channel_strides即卷积核在输入矩阵第四维（即图像通道）上进行卷积的步长
其他的参数值的话，其他的帖子讲得都很清楚。这里不再赘述。
