tf.nn.conv2d(
input, #指需要做卷积的输入图像，给定形状为[batch, in_height, in_width, in_channels]的输入张量。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]
filter, #形状为[filter_height, filter_width, in_channels, out_channels]的滤波器/内核张量，相当于CNN中的卷积核。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
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。维度顺序由data_format值确定，
padding,#可以是：“SAME”, “VALID”，要使用的填充算法的类型。
use_cudnn_on_gpu=True, #bool，是否使用cudnn加速，默认为True。
data_format=‘NHWC’, #可以是"NHWC", “NCHW”，默认为"NHWC"；指定输入和输 出数据的数据格式；使用默认格式“NHWC”，数据按以下顺序存储：[batch, height, width, channels]；或者，格式可以是“NCHW”，数据存储顺序为：[batch, channels, height, width]。
dilations=[1, 1, 1, 1], ints的可选列表，默认为[1, 1, 1, 1]，长度为4的1-D张量，input的每个维度的扩张系数；如果设置为k> 1，则该维度上的每个滤镜元素之间将有k-1个跳过的单元格；维度顺序由data_format值确定，详见上文；批次和深度尺寸的扩张必须为1。
name=None 操作的名称（可选）。
)
结果返回一个Tensor，就是我们常说的feature map，shape仍然是[batch, height, width, channels]这种形式。
例子：
1.考虑一种最简单的情况，现在有一张3×3单通道的图像（对应的shape：[1，3，3，1]），用一个1×1的卷积核（对应的shape：[1，1，1，1]）去做卷积，最后会得到一张3×3的feature map
2.增加图片的通道数，使用一张3×3五通道的图像（对应的shape：[1，3，3，5]），用一个1×1的卷积核（对应的shape：[1，1，1，1]）去做卷积，仍然是一张3×3的feature map，这就相当于每一个像素点，卷积核都与该像素点的每一个通道做卷积。
input = tf.Variable(tf.random_normal([1,3,3,5]))
filter = tf.Variable(tf.random_normal([1,1,5,1]))
op = tf.nn.conv2d(input, filter, strides=[1, 1, 1, 1], padding='VALID')
3.把卷积核扩大，现在用3×3的卷积核做卷积，最后的输出是一个值，相当于情况2的feature map所有像素点的值求和
input = tf.Variable(tf.random_normal([1,3,3,5]))
filter = tf.Variable(tf.random_normal([3,3,5,1]))
op = tf.nn.conv2d(input, filter, strides=[1, 1, 1, 1], padding='VALID')
4.使用更大的图片将情况2的图片扩大到5×5，仍然是3×3的卷积核，令步长为1，输出3×3的feature map
input = tf.Variable(tf.random_normal([1,5,5,5]))
filter = tf.Variable(tf.random_normal([3,3,5,1]))
op = tf.nn.conv2d(input, filter, strides=[1, 1, 1, 1], padding='VALID')
``
5.如果卷积核有多个`
input = tf.Variable(tf.random_normal([1,5,5,5]))
filter = tf.Variable(tf.random_normal([3,3,5,7]))
op = tf.nn.conv2d(input, filter, strides=[1, 1, 1, 1], padding=‘VALID’)
此时输出7张5×5的feature map，这就是平常说的图片变厚了
6.步长不为1的情况，对于图片，因为只有两维，通常strides取[1，stride，stride，1]
input = tf.Variable(tf.random_normal([1,5,5,5]))
filter = tf.Variable(tf.random_normal([3,3,5,7]))
op = tf.nn.conv2d(input, filter, strides=[1, 2, 2, 1], padding=‘SAME’)
7.如果batch值不为1，同时输入10张图
input = tf.Variable(tf.random_normal([10,5,5,5]))
filter = tf.Variable(tf.random_normal([3,3,5,7]))
op = tf.nn.conv2d(input, filter, strides=[1, 2, 2, 1], padding=‘SAME’)