tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)

• input：
  指需要做卷積的輸入圖像，它要求是一個Tensor，具有[batch, in_height, in_width, in_channels]這樣的shape，具體含義是[訓練時一個batch的圖片數量, 圖片高度, 圖片寬度, 圖像通道數]，註意這是一個4維的Tensor，要求類型為float32和float64其中之一

• filter：
  相當於CNN中的卷積核，它要求是一個Tensor，具有[filter_height, filter_width, in_channels, out_channels]這樣的shape，具體含義是[卷積核的高度，卷積核的寬度，圖像通道數，卷積核個數]，要求類型與參數input相同，有一個地方需要註意，第三維in_channels，就是參數input的第四維

• strides：卷積時在圖像每一維的步長，這是一個一維的向量，長度4

• padding：
  string類型的量，只能是”SAME”,”VALID”其中之一，這個值決定了不同的卷積方式（後面會介紹）

• use_cudnn_on_gpu：
  bool類型，是否使用cudnn加速，默認為true

結果返回一個Tensor，這個輸出，就是我們常說的feature map

name是啥？

strides[1,1,1,1]和strides[1,2,2,1]啥關系？

input = tf.Variable(tf.random_normal([1,5,5,5]))
filter = tf.Variable(tf.random_normal([3,3,5,7]))

op = tf.nn.conv2d(input, filter, strides=[1, 1, 1, 1], padding=‘SAME‘)
 

此時輸出7張5×5的feature map

input = tf.Variable(tf.random_normal([1,5,5,5]))
filter = tf.Variable(tf.random_normal([3,3,5,7]))

op = tf.nn.conv2d(input, filter, strides=[1, 2, 2, 1], padding=‘SAME‘)
此時，輸出7張3×3的feature map

http://blog.csdn.net/mao_xiao_feng/article/details/78004522

tf.nn.conv2d