Tensorflow——tf.nn.conv2d

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：

• 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；
• 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。
  结果返回一个Tensor，这个输出，就是我们常说的feature map

import tensorflow as tf

#[batch, in_height, in_width, in_channels]
#[训练时一个batch的图片数量, 图片高度, 图片宽度, 图像通道数]
input = tf.Variable(tf.random_normal([1, 4, 4, 5]))

#[filter_height, filter_width, in_channels, out_channels]
#[卷积核的高度，卷积核的宽度，图像通道数，卷积核个数]
filter = tf.Variable(tf.random_normal([3, 3, 5, 1]))

#padding的值为‘VALID’，表示边缘不填充,当其为‘SAME’时，表示填充到卷积核可以到达图像边缘
op = tf.nn.conv2d(input, filter, strides=[1, 1, 1, 1], padding='SAME')
init = tf.global_variables_initializer()

with tf.Session() as sess:
     sess.run(init)
     print(sess.run(op))

参考文献：
[1]. TensorFlow之卷积