卷积函数是卷积神经网络（CNN）非常核心和重要的函数，在搭建CNN时经常会用到，因此较为详细和深入的理解卷积函数具有十分重要的意义。
tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)：在给定4维的输入和过滤器的张量时，计算一个2维卷积。
参数详解：
input：输入的参数或者说是图像tenors,input=[batch,in_height,in_width,in_channels],batch为图像数量，in_height和in_width分别为图像的长和宽，in_channels为图像的颜色通道（彩色为3，黑白为1）。一般我们在定义图像信息时，x都是1维的，比如x= tf.placeholder(tf.float32,[None,784]),None表示不限制输入数量，784表示一个784维的向量；在x传入conv2d之前需要对x进行变形，即将x变为input的形式，比如说x_image=tf.reshape(x,[-1,28,28,1]),其中-1代表样本数不确定，经过变形后x_image就可以被conv2d函数使用了。
filter：卷积核（滤波器），filter应该输入的是卷积的参数，filter=[filter_height, filter_width, in_channels, out_channels],其中filter_height和filter_width表示卷积核的尺寸，这里的in_channels与input中in_channels的含义一致，因此它们俩也相等，out_channels代表卷积核的数量，也就是该卷积层会提取多少类特征（一个卷积核提取一类特征），out_channels也会作为下一层卷积层中卷积核的in_channels。
strides：代表卷积核移动的步长，是一个四维的数，[1,1,1,1],中间的两个参数表示水平和垂直的移动步长，第1和4的参数与batch和通道数有关（这一点不确定，希望有大佬指点一下）。
padding：代表边界处理的方式，string类型，只能是"SAME","VALID"其中之一，具体区别如下：
use_cudnn_on_gpu:bool类型，是否使用cudnn加速，默认为true。
name：给输出的feature map起个名字。