point net tf.nn.conv2d

计算一个4维的输入与对应的filter即卷积核的二维卷积计算 

tf.nn.conv2d(
    input, filters, strides, padding, data_format='NHWC', dilations=None, name=None
)

在此工程中

outputs = tf.nn.conv2d(inputs, kernel,
                       [1, stride_h, stride_w, 1],
                       padding=padding)

 input为拓展了一维的32x1024x3x1的4维tensor，kernel为初始化完毕的weight_loss，为1x3x1x64的tensor，strides为四维的方向，这里指定batch方向为1，中间1024x3的维度为设置的stride[1,1],最后一维为拓展的1维，默认为1.padding为"valid"其他参数为默认。

padding是指定的填充算法，

函数内部流程是：

1，将filter转换为2维的matrix，shape为[1x3x1,64]

2,将input的tensor提取为patches 类型的virtual tensor（目前还不知道什么意思），shape为 [batch, out_height, out_width, filter_height * filter_width * in_channels].

shape中有两个参数未知，out_height以及out_width.关于这两个值，由padding的设置进行计算：

"SAME" 类型的padding:

out_height = ceil(in_height / strides[1]); ceil向上取整

out_width = ceil(in_width / strides[2])

"VALID"类型的padding:

out_height = ceil((in_height - filter_height + 1) / striders[1])

out_width = ceil((in_width - filter_width + 1) / striders[2]

ceil返回比输入值大的最接近的整数，向上取整

本工程，out_height =（1024-1+1）/1=1024

out_width  = （3-3+1）/2=1

3,将提取的input右乘以fileter即[32,1024,1,1*3*1]x[1*3*1,64]

最终得到output[32,1024,1,64],

具体原理为，我们的输入是32，1024，3，1的input每个batch有1024，3，1，我们卷积的核是h，1，w,3,因为要输出64channel所以有64个1，3的核，分别对每个batch的input进行卷积，h步长为1，w步长为1，因为padding是valid所以w方向只能卷积一次，因为边缘的值不插值进行计算，所以1，3卷积核按照stride[1,1]卷积input1024，3，1一次，得到1024，1的output，因为有64个1，3卷积核，所以每个batch可以得到1024，1，64的output，32个batch，所以得到32，1024，1，64的output tensor