conv2d(inputs, filters, kernel_size, 
	strides=(1, 1), 
	padding='valid', 
	data_format='channels_last', 
	dilation_rate=(1, 1),
	activation=None, 
	use_bias=True, 
	kernel_initializer=None,
	bias_initializer=<tensorflow.python.ops.init_ops.Zeros object
                                          at 0x000002596A1FD898>, 
	kernel_regularizer=None,
	bias_regularizer=None, 
	activity_regularizer=None, 
	kernel_constraint=None, 
	bias_constraint=None, 
	trainable=True, 
	name=None,
	reuse=None)
 

##作用
2D 卷積層的函式介面
這個層建立了一個卷積核，將輸入進行卷積來輸出一個 tensor。如果 use_bias 是 True（且提供了 bias_initializer），則一個偏差向量會被加到輸出中。最後，如果 activation 不是 None，啟用函式也會被應用到輸出中。
##引數
inputs：Tensor 輸入

filters：整數，表示輸出空間的維數（即卷積過濾器的數量）

kernel_size：一個整數，或者包含了兩個整數的元組/佇列，表示卷積窗的高和寬。如果是一個整數，則寬高相等。

strides：一個整數，或者包含了兩個整數的元組/佇列，表示卷積的縱向和橫向的步長。如果是一個整數，則橫縱步長相等。另外， strides

padding："valid" 或者 "same"（不區分大小寫）。"valid" 表示不夠卷積核大小的塊就丟棄，"same"表示不夠卷積核大小的塊就補0。
"valid" 的輸出形狀為

"same" 的輸出形狀為

其中，L 為輸入的 size（高或寬），F為 filter 的 size，S為 strides 的大小， ceil() 為向上取整。

data_format：channels_last 或者 channels_first，表示輸入維度的排序。

`channels_last` corresponds to inputs with shape;
`(batch, height, width, channels)` while `channels_first` corresponds to inputs with shape `(batch, channels, height, width)`.
 

dilation_rate：一個整數，或者包含了兩個整數的元組/佇列，表示使用擴張卷積時的擴張率。如果是一個整數，則所有方向的擴張率相等。另外， strides 不等於1 和 dilation_rate 不等於1 這兩種情況不能同時存在。

activation：啟用函式。如果是None則為線性函式。

use_bias：Boolean型別，表示是否使用偏差向量。

kernel_initializer：卷積核的初始化。

bias_initializer：偏差向量的初始化。如果是None，則使用預設的初始值。

kernel_regularizer：卷積核的正則項

bias_regularizer：偏差向量的正則項

activity_regularizer：輸出的正則函式

kernel_constraint：對映函式，當核被Optimizer更新後應用到核上。Optimizer 用來實現對權重矩陣的範數約束或者值約束。對映函式必須將未被影射的變數作為輸入，且一定輸出對映後的變數（有相同的大小）。做非同步的分散式訓練時，使用約束可能是不安全的。

bias_constraint：對映函式，當偏差向量被Optimizer更新後應用到偏差向量上。

trainable：Boolean型別。

name：字串，層的名字。

reuse：Boolean型別，表示是否可以重複使用具有相同名字的前一層的權重。
##返回值
輸出 Tensor
##異常丟擲
ValueError：if eager execution is enabled.