4.tf.nn.conv2d
f.nn.conv2d (input, filter, strides, padding, use_cudnn_on_gpu=None, data_format=None, name=None)
input：输入图像，是一个Tensor，具有[batch, in_height, in_width, in_channels]这样的shape，具体含义是[训练时一个batch的图片数量, 图片高度, 图片宽度, 图像通道数]，注意这是一个4维的Tensor，要求类型为float32和float64其中之一
filter：滤波器，就是卷积的权重，是一个Tensor，具有[filter_height, filter_width, in_channels, out_channels]这样的shape，具体含义是[卷积核的高度，卷积核的宽度，图像通道数，卷积核个数]，要求类型与参数input相同，有一个地方需要注意，第三维in_channels，就是参数input的第四维
strides：卷积步长，这是一个一维的向量，长度4
padding：string类型的量，只能是"SAME","VALID"其中之一，这个值决定了不同的卷积方式
use_cudnn_on_gpu：bool类型，是否使用cudnn加速，默认为true
输出类型和输入类型一样，得到feature map，是一个tensor，shape是[batch, in_height, in_width, out_channels]
卷积前后图片大小计算公式：
输出图片的边长N为：
N = （W - F + 2P）/S + 1其中：
输入图片大小 W
卷积核大小 F
卷积核移动步长 S
零填充的像素数 P（1）strides是一个1维向量，长度为4。A list of ints.1-Dtensor of length 4.The stride of the sliding window for each dimension of input.
意思就是，这个stride中的 每一项代表输入tensor上的一个维度。我们输入数据[batch, in_height, in_width, in_channels],共4维，说明这里使用的stride必须是4维的。因为第一维是图像的数量，最后一维是通道数，所以这两个维度必须是1，也就是说，strides[0]=strides[3]=1,至于中间的2维-长度和宽度，则根据需要可以选择不同的值。最终格式就是：[1,stride,stride,1]
(2)padding可以选择VALID,SAME。
- 首先考虑VALID，这个意思就是说，程序按照指定的滤波器和步长进行滑动卷积，当出现剩余的像素值不够滤波器进行一次卷积时，就舍弃剩余所有像素。如下图所示：
如图所示输入像是1*10*10*1，filter大小是3*3*1*1，步长strides=[1,3,3,1]，根据公式（10-3）/3=3,所以最终图像大小是3*3*1，操作中去掉了最右边和最下边一行像素，因为它不够3*3滤波器进行一次卷积。
总结：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。
- 当padding=SAME时，处理方式与VALID有所不同，对于一个维度不够像素时，会进行填充0处理。至于如何填充，有两种情况。
情况一：相差偶数个元素时，比如一个10*10的图像使用3*3滤波器，以步长为3进行卷积，到了最后还剩1行(列)元素，也就是说还差2行元素，系统默认在整个图像的前后(左右)填充0；如果相差4个元素，就前后各加2个元素。已达到平均的目的。
最终输出4*4大小的图像(根据公式(10-3+2*2)/3+1=4)。
情况二：相差奇数个元素，比如一个11*11的图像使用3*3滤波器，以步长为3进行卷积，到了最后还剩2行(列)元素，也就是说还差1行元素，系统会在整个图像的前面(左边)填充0；如果相差3个元素，就前面加2个0元素，后面加1个0元素。
(输入图像是11*11，还相差1个元素，加在维度的前面(第一行，第一列),最终得到的还是4*4大小的图像。根据公式(10-3+2*1)/3+1=4)
总结：当padding为SAME时，系统会对图形进行填充0处理，不会舍弃任何一个元素。当相差偶数个元素时，在图像每一维的前面和后边添加各一般的0填充；当相差奇数个元素时，总是保持前面比后面多填充一个0元素。