tf.layers.conv2d

参考链接：https://blog.csdn.net/gqixf/article/details/80519912

conv2d(inputs, filters, kernel_size, 
    strides=(1, 1), 
    padding='valid', 
    data_format='channels_last', 
    dilation_rate=(1, 1),
    activation=None, 
    use_bias=True, 
    kernel_initializer=None,
    bias_initializer=<tensorflow.python.ops.init_ops.Zeros object at 0x000002596A1FD898>, 
    kernel_regularizer=None,
    bias_regularizer=None, 
    activity_regularizer=None, 
    kernel_constraint=None, 
    bias_constraint=None, 
    trainable=True, 
    name=None,
    reuse=None)

参数
inputs：Tensor 输入
filters：整数，表示输出空间的维数（即卷积过滤器的数量）
kernel_size：一个整数，或者包含了两个整数的元组/队列，表示卷积窗的高和宽。果是一个整数，则宽高相等。
strides：一个整数，或者包含了两个整数的元组/队列，表示卷积的纵向和横向的长。如果是一个整数，则横纵步长相等。另外， strides 不等于1 和 dilation_rate 不等于1 这两种情况不能同时存在。
padding："valid" 或者 "same"（不区分大小写）。"valid" 表示不够卷积核大小块就丢弃，"same"表示不够卷积核大小的块就补0。 
data_format：channels_last 或者 channels_first，表示输入维度的排序。
dilation_rate：一个整数，或者包含了两个整数的元组/队列，表示使用扩张卷积时的扩张率。如果是一个整数，则所有方向的扩张率相等。另外， strides 不等于1 和 dilation_rate 不等于1 这两种情况不能同时存在。
activation：激活函数。如果是None则为线性函数。一般用tf.nn.relu
use_bias：Boolean类型，表示是否使用偏差向量。
kernel_initializer：卷积核的初始化。
bias_initializer：偏差向量的初始化。如果是None，则使用默认的初始值。
kernel_regularizer：卷积核的正则项
bias_regularizer：偏差向量的正则项
activity_regularizer：输出的正则函数
kernel_constraint：映射函数，当核被Optimizer更新后应用到核上。Optimizer 用来实现对权重矩阵的范数约束或者值约束。映射函数必须将未被影射的变量作为输入，且一定输出映射后的变量（有相同的大小）。做异步的分布式训练时，使用约束可能是不安全的。
bias_constraint：映射函数，当偏差向量被Optimizer更新后应用到偏差向量上。
trainable：Boolean类型。
name：字符串，层的名字。
reuse：Boolean类型，表示是否可以重复使用具有相同名字的前一层的权重。

测试代码

import tensorflow as tf

# 输入是1张 3*3 大小的图片，图像通道数是1,这里默认像素全为1
input = tf.Variable(tf.ones([1,3,3,1]))
# 输出层数为1, 内核大小:2*2，步长1, 激活函数relu
op1 = tf.layers.conv2d(inputs=input, filters=1, kernel_size=[2, 2], strides=1, padding='SAME', activation=tf.nn.relu)

init = tf.initialize_all_variables() 
with tf.Session() as sess:
    sess.run(init)
    result = sess.run(op1)
    print("conv_shape:")
    print(result.shape)
    print("conv:")
    print(result)

输出：

conv_shape:
(1, 3, 3, 1)
conv:
[[[[0.1565615 ]
   [0.1565615 ]
   [0.00818413]]

  [[0.1565615 ]
   [0.1565615 ]
   [0.00818413]]

  [[0.        ]
   [0.        ]
   [0.        ]]]]