tensorflow中的CNN常见函数(卷积层、池化层)

import tensorflow as tf
tf.nn.conv2d(input, filter, strides=1, padding="same", use_cudnn_on_gpu=None, name=None)
tf.nn.max_pool(value, ksize, strides=2, padding="same", name=None)
tf.nn.avg_pool(value, ksize, strides=2, padding="same", name=None)

卷积（convolution）
conv2d: 一般卷积。函数原型：
tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)
depthwise_conv2d:深度卷积。
tf.nn.depthwise_conv2d(input, filter, strides, padding, name=None)
separable_conv2d: 深度可分离卷积。
tf.nn.separable_conv2d(input, depthwise_filter, pointwise_filter, strides, padding, name=None)
第一个参数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。
**第二个参数filter：相当于CNN中的卷积核，它是卷积层过滤器，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，过滤器个数]，第三维in_channels，就是参数input的第四维，一般过滤器利用tf.get_variable等方法可以进行初始化设置。
**第三个参数strides：步长，这是一个一维的向量，长度为4，通常为[1，×，×，1]，第一位和第四维只能为1，第二维代表长度移动的步长，第三维代表宽度移动的步长。
第四个参数padding：填充方式，只能是”SAME”,”VALID”其中一，'SAME’代表卷积前后保持长宽大小不变，要保证不变，就得在原数据填充，并且采用填0填充。 'VALID’代表不填充。
卷积的结果就是返回一个Tensor。
池化（Pooling）
平均池化：tf.nn.avg_pool(value, ksize, strides, padding, name=None)
最大池化：tf.nn.max_pool(value, ksize, strides, padding, name=None)
第一个参数value：池化的输入，池化层通常接在卷积层后面，所以输入通常是feature map，依然是[batch, height, width, channels]这样的shape。
第二个参数ksize：池化窗口的大小，取一个四维向量，一般是[1, height, width, 1]。
第三个参数strides：窗口在每一个维度上滑动的步长，一般也是[1,stride,stride, 1]，步长为2，即为减半。
第四个参数padding：和卷积类似，可以取’VALID’ 或者’SAME’。
返回一个Tensor，类型不变。

tf.nn.dropout()函数
tf.nn.dropout是TensorFlow里面为了防止过拟合而使用的函数，它一般用在全连接层，只使一部分神经元处于激活状态。函数原型为：
tf.nn.dropout(x, keep_prob, noise_shape=None, seed=None, name=None)
第一个参数x：输入
第二个参数keep_prob:是一个占位符，用于设置神经元被选中的概率[0,1]之间，必须设置。keep_prob = tf.placeholder(tf.float32)
第五个参数name：指定该操作的名字。