1 tf.nn.conv2d( 2 input, 3 filter, 4 strides, 5 padding, 6 use_cudnn_on_gpu=True, 7 data_format='NHWC', 8 dilations=[1, 1, 1, 1], 9 name=None 10 )
input：输入数据
filter：过滤器
strides：卷积滑动步长，实际上可以解释为过滤器的大小
padding：图像边填充方式
--------------------------------------------------------------------------------------------->
在这里详细地对各个参数做出解释：
input：就是卷积的输入数据，该输入数据要求是一个Tensor，所以张量的shape为[batch, in_height, in_width, in_channels]，batch为训练 [ 一个 ] batch图片数量，这是一个四维向量，所以类型为half，bfloat16，float32， float64.
filter：为一个张量，必须和input是一样的4D shape。[filter_height, filter_width, in_channels, out_channels]，参数的第三维就是input内的第四维
padding：整数型的列表，只有“SAME”和“VALID”两个值，在这里SAME和VALID的计算需要说明一下
1 #“SAME” 计算方式 2 out_height = ceil(float(in_height)) / float(strides[1]) 3 out_width = ceil(float(in_width)) / float(strides[2]) 4 5 #“VALID”计算方式 6 out_height = ceil(float(in_height - filter_height + 1)) / float(strides[1]) 7 out_width = ceil(float(in_width - filter_width + 1)) / float(strides[2])
strides：在这里直接参考官方API吧。很详细！
1 tf.layers.conv2d( 2 inputs, 3 filters, 4 kernel_size, 5 strides=(1, 1), 6 padding='valid', 7 data_format='channels_last', 8 dilation_rate=(1, 1), 9 activation=None, 10 use_bias=True, 11 kernel_initializer=None, 12 bias_initializer=tf.zeros_initializer(), 13 kernel_regularizer=None, 14 bias_regularizer=None, 15 activity_regularizer=None, 16 kernel_constraint=None, 17 bias_constraint=None, 18 trainable=True, 19 name=None, 20 reuse=None 21 )
根据官方API文档说明，tf.layer.con2d的input和padding与tf.nn.conv2d一样。
但也有其它差别：
在这里filter为一个整数，该整数的数量为卷积数量 >>>整数，表示输出空间的维数（即卷积过滤器的数量）。
kernel_size,可以是一个整数，或list或tuple类型的两个整数。
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步长。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。