TensorFlow中函数conv2d主要实现了输入张量与设定卷积核的卷积操作，其函数形式如下：
tf.nn.conv2d(
input,
filter,
strides,
padding,
use_cudnn_on_gpu=True,
data_format='NHWC',
dilations=[1, 1, 1, 1],
name=None
)input,filter自然是设定的输入和卷积核了，参数strides，padding分别决定了卷积操作中滑动步长和图像边沿填充的方式。
看下strides官方解释：
其为长度为4的一阶张量，并且要求strides[0]=strides[3]=1，strides[1]，strides[2]决定卷积核在输入图像in_hight，in_width方向的滑动步长，而通过图像卷积的过程可以知道，卷积核的大小和图像的大小有时候比不是完全匹配，比如图像大小为5x5，卷积核大小为3x3，滑动步长为3时，会涉及到图像卷积过程中边界如何填充的问题，padding参数的两个值SAME，VALID决定了其填充方式，通过代码验证其不同的工作方式：
padding = VALID：
变成了5x5，结果如下：
这种模式下，对于原始图像与卷积核不匹配的情况，就要对图像的边界做一些填充，具体的填充方式和所差的元素个数有关，一种一种试一试：
同样是产生28x28的全1图像，然后用全1的5x5卷积核做卷积，那每个方向差两个元素，通过计算结果可以看到是在每个方向的两端各补了一个0，形成30x30，四周都是0的图像。那如果差1个元素呢？
比较上述结果第一行，第一列不同，其余相同，那么就是在每行每列的最后补了一个0。继续差三个元素呢？
同样是比较结果，通过元素的值可以推测出其是在每个方向的开头补了一个0，最后补了两个0，那么差4个元素呢？
结果显示了什么？首尾各补两个0。那么通过上述验证是不是得到了些规律呢？可见当差偶数个元素是首尾各补一半，差奇数个时前边补奇数个，后边补偶数个。当然具体差多少元素和选定的卷积核大小以及滑动步长密切相关。那么滑动步长又有哪些影响呢？如果改成滑动步长为1，看看验证的结果:
再把padding改为 VALID瞧瞧：
总结一下看到了什么，卷积核大小，滑动步长直接影响最后的卷积结果的大小，且padding为SAME模式时，先对原图像进行填充，再做卷积，填充值须根据卷积核大小及滑动步长决定，当滑动步长大于1时：填充数=K-I%S（K:卷积核边长，I：输入图像边长，S：滑动步长），滑动步长为1时，直接卷积核边长减1，而padding为VALID模式时，很简单粗暴直接从原始图像的首段开始卷积，到最后不能匹配卷积核的部分直接舍去，至于两种模式会有怎样的差别，后续可进行进一步的验证。
转载自：https://blog.csdn.net/qq_17272679/article/details/79591540