conv2d的输入HWCN与卷积核HWCN不一样

# 这里的shape是"HWCN"，下边的与这个不对应
conv1_W = tf.Variable(tf.truncated_normal(shape=(5, 5, 1, 6))  

# 这里的strides理解为对"NHWC"的操作
conv1 = tf.nn.conv2d(x, conv1_W, strides=[1, 1, 1, 1])  

在池化时：
# 这里的ksize和strides对应的操作为"NHWC"
conv1 = tf.nn.max_pool(conv1, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1]）   

这两个不一样：一定要记住，这个别搞混了

输入：[batch, in_height, in_width, in_channels]

卷积核：[filter_height, filter_width, in_channels, out_channels]



stride 的维度和输入匹配。卷积核的维度和特征图的维度不一样。

右键点tf.nn.conv2d（go to definition）看tf源码文件，里面写的很清楚。