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

input：指需要做卷積的輸入影象，[batch, in_height, in_width, in_channels]

      [訓練時一個batch的圖片數量, 圖片高度, 圖片寬度, 影象通道數]

filter：[filter_height, filter_width, in_channels, out_channels]

       [卷積核的高度，卷積核的寬度，影象通道數，卷積核個數

       注意:第三維in_channels，就是引數input的第四維


strides：卷積時在影象每一維的步長，這是一個一維的向量，長度4


padding："SAME","VALID"

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，即feature map，shape是[batch, height, width, channels]

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

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，[batch, height, width, channels]

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

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]

padding：取'VALID' 或者'SAME'

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

參考

http://blog.csdn.net/mao_xiao_feng/article/details/53453926