tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu, data_format, dilations, name)

参数介绍：

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] 的shape，含义[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。

batch	训练时一个batch的图片数量
in_height	图片高度
in_width	图片宽度
in_channels	图像通道数

filter：相当于CNN(Convolutional Neural Network, CNN)中的卷积核，它要求是一个Tensor，具有 [filter_height, filter_width, in_channels, out_channels] 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，第三维的 in_channels，就是参数input的第四维。

filter_height	卷积核的高度
filter_width	卷积核的宽度
in_channels	图像通道数
out_channels	卷积核个数

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。

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。

use_cudnn_on_gpu：bool类型，是否使用cudnn加速，默认为true。

返回值介绍：

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。

 

 

特征图的行列数计算公式:

对于n*n的矩阵, 使用 f*f 的核进行卷积, 填充宽度为p, 若纵向步幅为s1, 横向步幅为s2则特征图的行列数为: