分析tensorflow mnist

http://blog.csdn.net/mao_xiao_feng/article/details/53444333

http://blog.csdn.net/toormi/article/details/53789562

第一个参数input：指需要做卷积的输入图像，它要求是一个Tensor，具有[batch, in_height, in_width, in_channels]这样的shape，具体含义是[训练时一个batch的图片数量, 图片高度, 图片宽度, 图像通道数]，注意这是一个4维的Tensor，要求类型为float32和float64其中之一

第二个参数filter：相当于CNN中的卷积核，它要求是一个Tensor，具有[filter_height, filter_width, in_channels, out_channels]这样的shape，具体含义是[卷积核的高度，卷积核的宽度，图像通道数，卷积核个数]，要求类型与参数input相同，有一个地方需要注意，第三维in_channels，就是参数input的第四维


第三个参数strides：卷积时在图像每一维的步长，这是一个一维的向量，长度4


第四个参数padding：string类型的量，只能是"SAME","VALID"其中之一，这个值决定了不同的卷积方式（后面会介绍）

第五个参数：use_cudnn_on_gpu:bool类型，是否使用cudnn加速，默认为true 我认为安装tensorflow的时候选cpu和选gpu的区别就是这个true还是false

结果返回一个Tensor，这个输出，就是我们常说的feature map

padding的值为‘VALID’不停留在边缘，假设图片5*5，卷积核3*3，则输出3*3，当其为‘SAME’时，表示卷积核可以停留在图像边缘，输出5*5

strides: A list of `ints`. 1-D tensor of length 4. The stride of the sliding window for each dimension of `input`. The dimension order is determined by the value of `data_format`, see below for details.你可以理解为[1，图像heihgt上的滑动步长，图像width上的滑动步长，1]前后两个1，固定不变，没有特殊意义