一、函数定义：
tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)
除去name参数用以指定该操作的name，与方法有关的一共五个参数：
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=input的第四维
strides：卷积时在input图像上每一维的步长，是长为4的向量[1,height_stride,width_stride,1]，1代表移动一步
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（后面会介绍）。前者代表通过补0使，卷积提取的特征与原来的patch一致；VALID代表不填充
use_cudnn_on_gpu：
bool类型，是否使用cudnn加速，默认为true
结果返回一个Tensor，这个输出，就是我们常说的feature map
二、计算流程
情况a，现在有一张 3×3 单通道的图像（对应的shape：[1，3，3，1]），用一个1×1的卷积核（对应的shape：[1，1，1，1]，形如[[[[2.5]]]]）去做卷积，最后会得到一张3×3的feature map(图像上从左到右，从上到下每次取一个元素，与卷积核计算乘积)。
import tensorflow as tf
sess=tf.Session()
i = tf.constant([[1,2,3,],
[4,5,6],
[7,8,9]],dtype="float")
k = tf.constant([2.0])
input = tf.reshape(i,[1,3,3,1]) #输入是一张3*3单通道图片
filter = tf.reshape(k,[1,1,1,1]) #卷积核是size=1*1，输入单通道(由input决定),输出单通道
op1 = tf.nn.conv2d(input, filter, strides=[1, 1, 1, 1], padding='VALID')
print(sess.run(op1))
#--op1输出
[图片个数，卷积高决定，卷积宽决定，输出通道]
[[[[ 2.]
[ 4.]
[ 6.]]
[[ 8.]
[ 10.]
[ 12.]]
[[ 14.]
[ 16.]
[ 18.]]]]
i = tf.constant([
[4, 3, 1, 0],
[2, 1, 0, 1],
[1, 2, 4, 1],
[3, 1, 0, 2]], dtype=tf.float32)
k = tf.constant([
[1, 0, 1],
[2, 1, 0],
[0, 0, 1]], dtype=tf.float32)
input = tf.reshape(i, [1, 4, 4, 1], name='image')
filter = tf.reshape(k, [3, 3, 1, 1], name='kernel')
op2 = tf.nn.conv2d(input, filter, strides=[1, 1, 1, 1], padding='VALID')
print(sess.run(op2))
2.增加图片的通道数，使用一张3×3 五通道的图像（对应的shape：[1，3，3，5]），用一个1×1的卷积核（对应的shape：[1，1，1，1]）去做卷积，仍然是一张3×3的feature map，这就相当于每一个像素点，卷积核都与该像素点的每一个通道做点积