(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)
除去name參數(shù)用以指定該操作的name，與方法有關(guān)的一共五個(gè)參數(shù)：
| Args | Annotation |
|---|---|
| 第一個(gè)參數(shù)input | 指需要做卷積的輸入圖像店印，它要求是一個(gè)Tensor，具有[batch, in_height, in_width, in_channels]這樣的shape届宠，具體含義是[訓(xùn)練時(shí)一個(gè)batch的圖片數(shù)量, 圖片高度, 圖片寬度, 圖像通道數(shù)]守伸，注意這是一個(gè)4維的Tensor只损，要求類型為float32和float64其中之一 |
| 第二個(gè)參數(shù)filter | 相當(dāng)于CNN中的卷積核呆盖，它要求是一個(gè)Tensor，具有[filter_height, filter_width, in_channels, out_channels]這樣的shape那伐，具體含義是[卷積核的高度踏施，卷積核的寬度，圖像通道數(shù)罕邀，卷積核個(gè)數(shù)]畅形，要求類型與參數(shù)input相同，有一個(gè)地方需要注意诉探，第三維in_channels日熬，就是參數(shù)input的第四維 |
| 第三個(gè)參數(shù)strides | 卷積時(shí)在圖像每一維的步長(zhǎng)，這是一個(gè)一維的向量肾胯，長(zhǎng)度4 |
| 第四個(gè)參數(shù)padding | string類型的量竖席，只能是"SAME","VALID"其中之一，這個(gè)值決定了不同的卷積方式 |
| 第五個(gè)參數(shù) | use_cudnn_on_gpu:bool類型敬肚，是否使用cudnn加速毕荐，默認(rèn)為true |
結(jié)果返回： 一個(gè)Tensor，這個(gè)輸出艳馒，就是我們常說的feature map
def conv2d(x, W):
return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')
