tf.nn.conv2d()方法

tf.nn.conv2d是用来实现卷积的方法

tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)

除去name参数用以指定该操作的name，与方法有关的一共五个参数：

• 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，要和参数input的第四维相等

• 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。strides[0]和strides[3]必须为1，strides[1]，strides[2]决定卷积核在输入图像in_hight，in_width方向的滑动步长

• 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

input和filter参数里的值都很好理解，关键是滑动步长和padding不同的值会决定最后得到的输出是多大尺寸。
 
 

strides和padding的详解

直接给出总结：

  卷积核大小，滑动步长直接影响最后的卷积结果的大小。当padding为SAME模式时，先对原图像进行填充，再做卷积，填充值须根据卷积核大小及滑动步长决定。

• 当滑动步长大于1时：填充数 = K-L%S（K:卷积核边长，L：输入图像边长，S：滑动步长）
• 当滑动步长等于1时：填充数 = 卷积核边长减1
• 另外当差偶数个元素时首尾各补一半，差奇数个时前边补奇数个，后边补偶数个。

当padding为VALID模式时，很简单粗暴直接从原始图像的首段开始卷积，到最后不能匹配卷积核的部分直接舍去，

参考

https://blog.csdn.net/qq_17272679/article/details/79591540