Tensorflow API 讲解——tf.layers.conv2d

conv2d(inputs, filters, kernel_size, 
	strides=(1, 1), 
	padding='valid', 
	data_format='channels_last', 
	dilation_rate=(1, 1),
	activation=None, 
	use_bias=True, 
	kernel_initializer=None,
	bias_initializer=, 
	kernel_regularizer=None,
	bias_regularizer=None, 
	activity_regularizer=None, 
	kernel_constraint=None, 
	bias_constraint=None, 
	trainable=True, 
	name=None,
	reuse=None)

##作用
2D 卷积层的函数接口
这个层创建了一个卷积核，将输入进行卷积来输出一个 tensor。如果 use_bias 是 True（且提供了 bias_initializer），则一个偏差向量会被加到输出中。最后，如果 activation 不是 None，激活函数也会被应用到输出中。
##参数
inputs：Tensor 输入

filters：整数，表示输出空间的维数（即卷积过滤器的数量）

kernel_size：一个整数，或者包含了两个整数的元组/队列，表示卷积窗的高和宽。如果是一个整数，则宽高相等。

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。

padding："valid" 或者 "same"（不区分大小写）。"valid" 表示不够卷积核大小的块就丢弃，"same"表示不够卷积核大小的块就补0。
"valid" 的输出形状为
$$L_{new}=ceil(\frac{L-F+1}{S})$$
"same" 的输出形状为
$$L_{new}=ceil(\frac{L}{S})$$
其中，$L$ 为输入的 size（高或宽），$F$ 为 filter 的 size，$S$ 为 strides 的大小，$ceil()$ 为向上取整。

data_format：channels_last 或者 channels_first，表示输入维度的排序。

`channels_last` corresponds to inputs with shape;
`(batch, height, width, channels)` while `channels_first` corresponds to inputs with shape `(batch, channels, height, width)`.

dilation_rate：一个整数，或者包含了两个整数的元组/队列，表示使用扩张卷积时的扩张率。如果是一个整数，则所有方向的扩张率相等。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。

activation：激活函数。如果是None则为线性函数。

use_bias：Boolean类型，表示是否使用偏差向量。

kernel_initializer：卷积核的初始化。

bias_initializer：偏差向量的初始化。如果是None，则使用默认的初始值。

kernel_regularizer：卷积核的正则项

bias_regularizer：偏差向量的正则项

activity_regularizer：输出的正则函数

kernel_constraint：映射函数，当核被Optimizer更新后应用到核上。Optimizer 用来实现对权重矩阵的范数约束或者值约束。映射函数必须将未被影射的变量作为输入，且一定输出映射后的变量（有相同的大小）。做异步的分布式训练时，使用约束可能是不安全的。

bias_constraint：映射函数，当偏差向量被Optimizer更新后应用到偏差向量上。

trainable：Boolean类型。

name：字符串，层的名字。

reuse：Boolean类型，表示是否可以重复使用具有相同名字的前一层的权重。
##返回值
输出 Tensor
##异常抛出
ValueError：if eager execution is enabled.