tf.nn.conv2d是怎样实现卷积的
参考：xf_mao 雷隐隐
介绍：
从直观上看，卷积的过程相当于将图片“浓缩了”，当然在浓缩的过程中，厚度是可以变的。
上图中，黑色的板子就是输入的图片，橙色的板子就是卷积“浓缩”后的图片，绿色的小色块就是卷积核，也就是“抹布”。当然，如果抹布能做到一步一停并且采用“SAME”模式的话，那么浓缩后的大小就不会变。值得注意的是，卷积之后的结果厚度是用户自己指定的，至于说这个厚度有什么意义，理解：厚度的每一层都类似于某一频率和振幅的正弦波，而多个不同的正弦波理论上讲是可以拟合任意复杂的波形，所以多种不同的卷积结果，理论上也能够拟合比较复杂的特征提取方案的。
——————————————————————————————————————————————————————
函数：
conv2d(input,
filter,
strides,
padding,
use_cudnn_on_gpu=True,
data_format="NHWC",
dilations=[1, 1, 1, 1],
name=None)除去name参数用以指定该操作的name，与方法有关的一共七个参数：
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filter：
相当于CNN中的卷积核，它要求是一个Tensor，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，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in_channels，就是参数input的第四维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。是卷积核在边缘处的处理方法，描述起来比较复杂，一张图比较直观，直接上图：
可以看到，VALID模式在边缘采取的是“不及（即不考虑）”的方法，而SAME则是“过”的策略，两者效果孰优孰略取决于你的数据在边缘有没有什么重要信息。use_cudnn_on_gpu：
bool类型，是否使用cudnn加速，默认为truedata_format：
string类型，只能是"NHWC","NCHW"。默认为"NHWC"。指定输入和输出数据的数据格式。根据默认格式"NHWC",数据按以下顺序存储： [批次，高度，宽度，通道]。或者，格式是“NCHW”，数据存储顺序为：[批次，渠道，高度，宽度]。（翻译自函数声明注释）dilations：
一个可选的`ints`列表。 默认为[1,1,1,1]。一维长度张量4.每个`input`维度的膨胀系数。 如果设置为k> 1，则每个该维度上的过滤器元素之间会有k-1个跳过的单元格。 维度顺序由`data_format`的值决定，详见上文。 在Dilations中批次和深度尺寸必须为1(原文为："Dilations in the batch and depth dimensions must be 1"此句没看懂)。（翻译自函数声明注释）
结果返回一个Tensor，这个输出，就是我们常说的feature map