Tensoflow tf.nn.conv2d()

函数简介：

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，shape:[batch, in_height, in_width, in_channels]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：卷积核，它要求是一个Tensor，shape:[filter_height, filter_width, in_channels, out_channels]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，strides[0]=strides[3]=1，strides = [1,2,2,1]

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

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，shape仍然是[batch, height, width, channels]这种形式。

卷积过程

1.模式选择问题
卷积核大小，滑动步长直接影响最后的卷积结果的大小，且padding为SAME模式时，先对原图像进行填充（先从右边和下边进行填充，再对左边和上面进行填充），再做卷积。填充值须根据卷积核大小及滑动步长决定：
（1）当滑动步长大于1时：填充数=K-I%S（K:卷积核边长，I：输入图像边长，S：滑动步长）；
（2）滑动步长为1时，直接卷积核边长减1。
而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。
（公式好像有问题。）
[参考] (https://blog.csdn.net/qq_17272679/article/details/79591540)
疑问：
（1）卷积核卷积到什么时候停止，也就是卷积的规则是什么。
（2）为什么要按这个补零的规则补零。

2.卷积后输出tensor的shape
valid情况下输出的shape：

same情况下输出的shape：

其中，W为输入的size，F为filter的size，S为步长，⌈⌉为向上取整符号。

[参考] (https://blog.csdn.net/wuzqChom/article/details/74785643)
具体的实例可以参考：https://zhuanlan.zhihu.com/p/51091488