Tensorflow 提供了一些內建的API實現了CNN網路結構中的卷積，池化，全連線網路等運算操作。

• tf.nn.conv2d(input,filter, strides, padding, data_format=’NHWC’) 
  完成CNN卷積運算，其中：

  input: 4-D 的Tensor, 每個dimension的意思由data_format指定，預設是[batch, Height, Width, Channel]。batch表示有多少個這樣的sample。Height/Width是圖片的高度/寬度，Channel決定了圖片是灰度圖還是彩色圖。若是灰度圖就只有一個 [Height, Width]的2維矩陣，若是彩色圖則有3個這樣的矩陣，每個矩陣分別表示畫素R/G/B的值。

  filter: 有時也稱之為kernel。這個filter也是一個4-D的Tensor，每個dimension分別表示 [filter_height, filter_width, in_channels, out_channels]。通常地稱[filter_height, filter_width, in_channels]為單個filter的size，而且filter_height, filter_width一般為奇數並且相等。in_channel必須跟input引數中的Channel相等，卷積運算時，從input中取一個大小為[filter_height, filter_width, in_channels

  ]的slice window跟 單個filter做卷積運算。out_channels表示有多少個這樣的filter。因為filter一般用於特徵的抽取，所以out_channels決定了卷積層最終輸出的channel（depth)。

  strides: 4-D的Tensor, 表示在對input做卷積運算時，在每個dimension上的步長。跟input引數一樣，每個dimension的順序由data_format決定。通常地在Height, Width上步長為1或者2，而batch, Channel的步長設定為1。

  padding: “SAME” 或者 “Valid”。Same表示卷積層的輸出的height/width 跟input層的height/width相同。Valid表示no padding則由公式(height−filter_heigth)/stride_height+1

   (width也是一樣）。

• tf.nn.max_pool(value, ksize = [1,f,f,1], strides = [1,s,s,1], padding = ‘SAME’, data_format=’NHWC’) 
  池化運算。 
  value: 4-D的tensor, 一般地就是上面conv2d的輸出，具體每個dimension的意義跟conv2d的input引數一樣 
  ksize: 定義slice window的大小，它會在輸入引數中選擇跟slice window想同大小的window，並取其中的最大值。

• tf.contrib.layers.flatten(P) 
  對於輸入的P，將每一個example展開為1-D的Tensor, 但是依然保留batch-size。它返回一個[batch_size, k]的Tensor。通常在CNN的最後一步連線到Fully Connected 的網路之前會將其展開，例如CNN的conv層輸出的tensor的shape為[batch_size, height, width, channel], 剛展開會就是[batch_size, height * width * channel]。
• tf.argmax(input , axis =None, name = None, dimension = None )此函式是對矩陣按行或列計算最大值
  引數：
  • input：輸入Tensor
  • axis：0表示按列，1表示按行
  • name：名稱
  • dimension：和axis功能一樣，預設axis取值優先。新加的欄位
  返回：Tensor  一般是行或列的最大值下標向量