我們看一下 tf.nn.max_pool 這個函式

（還有tf.nn.conv2d 函式）

這兩個函式是CNN中兩個比較常用的函式，一個是池化層的計算，另一個則是卷積層的計算.。

我們從他們的引數開始，

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

除去name引數用以指定該操作的name，與方法有關的一共五個引數：

第一個引數input：指需要做卷積的輸入影象，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, 影象通道數]，注意這是一個4維的Tensor，要求型別為float32和float64其中之一。 

第二個引數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，影象通道數，卷積核個數]，要求型別與引數input相同，有一個地方需要注意，第三維in_channels，就是引數input的第四維。

第三個引數strides：卷積時在影象每一維的步長，這是一個一維的向量，長度為4。

[ 1, strides, strides, 1]，我們姑且認為第一位和最後一位固定必須是1

第四個引數padding：string型別的量，只能是"SAME","VALID"其中之一，這個值決定了不同的卷積方式（也就是我們本次的主題）。

第五個引數：use_cudnn_on_gpu:bool型別，是否使用cudnn加速，預設為true； 結果返回一個Tensor，這個輸出，就是我們常說的feature map，shape仍然是[batch, height, width, channels]

我們來看一個例項

valid_pad = tf.nn.max_pool(x,[1,2,2,1],[1,2,2,1],padding='VALID')

.

對於這樣的一個例項，我們可以讀出以下的內容：  輸出為x ,  卷積核（這裡並不是卷積核，只是意義上的類似）的大小為【2x2】,  移動的步長的橫向為2，縱向也為2

tf.nn.max_pool(value, ksize, strides, padding, name=None)

引數是四個，和卷積很類似：

第一個引數value：需要池化的輸入，一般池化層接在卷積層後面，所以輸入通常是feature map，依然是[batch, height, width, channels]這樣的shape

第二個引數ksize：池化視窗的大小，取一個四維向量，一般是[1, height, width, 1]，因為我們不想在batch和channels上做池化，所以這兩個維度設為了1

第三個引數strides：和卷積類似，視窗在每一個維度上滑動的步長，一般也是[1, stride,stride, 1]

第四個引數padding：和卷積類似，可以取'VALID' 或者'SAME'

返回一個Tensor，型別不變，shape仍然是[batch, height, width, channels]這種形式