tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, data_format=None, name=None)
input：
张量[batch, in_height, in_width, in_channels]
过滤器：
[filter_height, filter_width, in_channels, out_channels]
strides：
strides在官方定义中是一个一维具有四个元素的张量，其规定前后必须为1，所以我们可以改的是中间两个数。
中间两个数分别代表了水平滑动和垂直滑动步长值。
在卷积核移动逐渐扫描整体图时候，因为步长的设置问题，可能导致剩下未扫描的空间不足以提供给卷积核的大小。
比如有图大小为5*5,卷积核为2*2,步长为2,卷积核扫描了两次后，剩下一个元素，不够卷积核扫描了。
这个时候就在后面补零，补完后满足卷积核的扫描，这种方式就是same。如果说把刚才不足以扫描的元素位置抛弃掉，就是valid方式。
举例
输入是[1,3,3,1]，代表1个图像，大小3x3，1个通道
filter是[2,2,1,1]，代表filter的大小是2x2，输入通道通道是1，与图片通道相同，输入通道也是1。
步长是1，padding是VALID
这种情况下，输出是1x2x2x1，其中2=（3-2）/1+1，即(图片大小-filter大小)/步长+1。
input = tf.constant([[[[1],[2],[ 3]],
[[4],[5],[6 ]],
[[ 7],[8],[9]]]],dtype=tf.float32)
filter = tf.constant([[[[1]], [[2]]], [[[3]], [[4]]]],dtype=tf.float32) # filter.shape=2，2，1，1
op = tf.nn.conv2d（input，filter，strides = [1,1,1,1]，padding ='VALID'）
with tf.Session() as sess:
sess.run(init)
result = sess.run(op)
print(result)输出：
当padding=SAME时，输入与输出形状相同，如下面代码所示，输出形状输出是1x3x3x1。
转载地址：
https://blog.csdn.net/u013713117/article/details/55517458/