TensorFlow之卷積函數（conv2d）

卷積函數是卷積神經網絡（CNN）非常核心和重要的函數，在搭建CNN時經常會用到，是以較為詳細和深入的了解卷積函數具有十分重要的意義。

tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)：在給定4維的輸入和過濾器的張量時，計算一個2維卷積。

參數詳解：

input：輸入的參數或者說是圖像tenors,input=[batch,in_height,in_width,in_channels],batch為圖像數量，in_height和in_width分别為圖像的長和寬，in_channels為圖像的顔色通道（彩色為3，黑白為1）。一般我們在定義圖像資訊時，x都是1維的，比如x= tf.placeholder(tf.float32,[None,784]),None表示不限制輸入數量，784表示一個784維的向量；在x傳入conv2d之前需要對x進行變形，即将x變為input的形式，比如說x_image=tf.reshape(x,[-1,28,28,1]),其中-1代表樣本數不确定，經過變形後x_image就可以被conv2d函數使用了。

filter：卷積核（濾波器），filter應該輸入的是卷積的參數，filter=[filter_height, filter_width, in_channels, out_channels],其中filter_height和filter_width表示卷積核的尺寸，這裡的in_channels與input中in_channels的含義一緻，是以它們倆也相等，out_channels代表卷積核的數量，也就是該卷積層會提取多少類特征（一個卷積核提取一類特征），out_channels也會作為下一層卷積層中卷積核的in_channels。

strides：代表卷積核移動的步長，是一個四維的數，[1,1,1,1],中間的兩個參數表示水準和垂直的移動步長，第1和4的參數與batch和通道數有關（這一點不确定，希望有大佬指點一下）。

padding：代表邊界處理的方式，string類型，隻能是"SAME","VALID"其中之一，具體差別如下：