TensorFlow函数中的shape参数介绍：
TensorFlow用张量这种数据结构来表示所有的数据。你可以把一个张量想象成一个n维的数组或列表。一个张量有一个静态类型和动态类型的维数，张量可以在图中的节点之间流通。
tensorflow中张量(tensor)的属性有维数(阶)、形状和数据类型。用shape表示生成张量的维度。
张量的维数又叫张量的阶，是张量维数的一个数量描述。但是张量的阶和矩阵的阶并不是同一个概念。
如下分别表示0维、1维、2维和3维的张量：
1 #维度为0的标量
[1,2,3] #维度为1,一维向量
[[1,2],[3,4]] #维度为2, 二维矩阵
[[[1,2],[3,4]],[[1,2],[3,4]]] #维度为3,3维空间矩阵简单来说有几层方括号就是几维张量。
张量的形状（shape）以 [D0, D1, … Dn-1] 的形式表示，D0 到Dn 是任意的正整数。
如：
shape [2,3] 表示为数组的意思是第一维有两个元素，第二维有三个元素，[2,3]表示一个2行3列的矩阵，如: [[1,2,3],[4,5,6]]。
在shape的方括号中有多少个数字，就代表这个张量是多少维的张量。
shape的第一个元素要看张量最外层方括号中有几个元素(被最外边的中括号里边的内中括号括起来的所有数据算作一个元素)被逗号隔开，有n1个则这个张量就是n1维的，形状的第一个元素就是n1。shape的第2、3、4...n个元素依次类推，分别看第n个方括号中有几个元素即可。
如：
1 # 形状为[]
[1,2,3] # 形状为[3]
[[1,2],[3,4]] # 形状为[2,2]
[[[1,2],[3,4]],[[1,2],[3,4]]] # 形状为[2,2,2]除了维度shape，张量还有一个数据类型属性。
你可以为一个张量指定下列数据类型中的任意一个类型：
| 数据类型 | Python 类型 | 描述 |
|---|---|---|
DT_FLOAT |
tf.float32 |
32 位浮点数. |
DT_DOUBLE |
tf.float64 |
64 位浮点数. |
DT_INT64 |
tf.int64 |
64 位有符号整型. |
DT_INT32 |
tf.int32 |
32 位有符号整型. |
DT_INT16 |
tf.int16 |
16 位有符号整型. |
DT_INT8 |
tf.int8 |
8 位有符号整型. |
DT_UINT8 |
tf.uint8 |
8 位无符号整型. |
DT_STRING |
tf.string |
可变长度的字节数组.每一个张量元素都是一个字节数组. |
DT_BOOL |
tf.bool |
布尔型. |
DT_COMPLEX64 |
tf.complex64 |
由两个32位浮点数组成的复数:实数和虚数. |
DT_QINT32 |
tf.qint32 |
用于量化Ops的32位有符号整型. |
DT_QINT8 |
tf.qint8 |
用于量化Ops的8位有符号整型. |
DT_QUINT8 |
tf.quint8 |
用于量化Ops的8位无符号整型. |
feature map大小的计算方法：
在每个卷积层中，数据都是以三维形式存在的。你可以把它看成许多个二维图片叠在一起，其中每一个称为一个feature map。在输入层，如果是灰度图片，那就只有一个feature map；如果是彩色图片，一般就是3个feature map（红绿蓝）。层与层之间会有若干个卷积核（kernel），上一层和每个feature map跟每个卷积核做卷积，都会产生下一层的一个feature map。
feature map大小的计算举例：
假设INPUT为32*32，使用6个kernel size为5*5的filter，stride = 1，pading=0。
卷积后得到feature maps边长的计算公式为：
output_h =（originalSize_h+padding*2-kernelSize_h）/stride +1
即卷积层的feature map的边长为：conv1_h=（32-5）/1 + 1 = 28，卷积层的feature maps尺寸为28*28。
神经元个数为：（32－5+1） * （32 －5 ＋1） ＝ 28 ＊ 28 个。
32-5是卷积核可以滑过并得到一次计算结果的次数（因为步幅是1），+1是卷积核放在最开始的位置上还没开始滑动时的一次计算结果。
卷积层之后是pooling层，也叫下采样层或子采样层（subsampling）。它是利用图像局部相关性的原理，对图像进行子抽样，这样在保留有用信息的同时可以减少数据处理量。pooling层不会减少feature maps的数量，只会缩减其尺寸。常用的pooling方法有两种，一种是取最大值，一种是取平均值。
pooling过程的计算公式：
假如pooling的步长是2，filter大小是2X2，pooling方法为取最大值，conv1_h为卷积层的feature maps边长。
pooling后feature maps边长的计算公式为：
pool1_h = (conv1_h - kernelSize_h)/stride +1
即pooling层后的feature map的边长为(28-2)/2+1=14，pooling后的feature map尺寸为14*14。
feature map和神经元的关系：
单个卷积核情况下：
神经元是前一层的wx+b到下一层的计算过程，这一层的连接数也就是有多少个 wx+b的连接（一个卷积核有多个w只有一个bias），一个feature map 是多个（比如M个）神经元计算的结果汇总。
多个卷积核情况下：
同一层可以有多个（比如N个）卷积核，每个卷积核对应（卷积的结果是）一个feature map ，也就是这一层有N个feature map， 那这一层共有 N*M个神经元。（如果每个fm的神经元个数不一样，则累加每个fm的神经元个数）
可训练参数个数与神经元的个数无关，只与卷积核的大小及卷积核的个数相关，还有通道数（即高度）。
神经元个数除了与卷积核大小和个数有关，还与步长相关。步长越大，神经元个数越小。
feature map的每个点都是一个神经元的输出，所以神经元个数 = 特征图大小。
CNN中的权值共享就是同一个Feature Map中的神经元权值共享，该Feature Map中的所有神经元使用同一个权值。这与全连接相比，减少了大量参数。