tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)
计算给定的4-D input和filter张量的2-D卷积。 给定形状为[batch, in_height, in_width, in_channels]的输入张量和形状为[filter_height, filter_width, in_channels, out_channels]的滤波器/内核张量，此操作执行以下操作：
将滤波器展平为具有形状[filter_height * filter_width * in_channels, output_channels]的二维矩阵。从输入张量中提取图像特征，以形成形状为[batch, out_height, out_width, filter_height * filter_width * in_channels]的虚拟张量。对于每个特征，右乘滤波器矩阵和图像特征矢量。 output[b, i, j, k] = sum_{di, dj, q} input[b, strides[1] * i + di, strides[2] * j + dj, q] * filter[di, dj, q, k]必须有strides[0] = strides[3] = 1。对于相同水平和顶点步幅的最常见情况，strides = [1, stride, stride, 1]。
参数：
input一个4-D张量，[batch, in_height, in_width, in_channels]，必须是以下类型之一：float32, float64filter一个4-D张量，[filter_height, filter_width, in_channels, out_channels]，必须与input类型相同strides整数列表，长度为4的1-D张量，input的每个维度的滑动窗口的步幅padding字符串，可以是：“SAME”, “VALID”，要使用的填充算法的类型use_cudnn_on_gpu，可选是否是gpu加速，布尔型，默认为Truename，可选操作的名称返回： 一个张量，与input具有相同的类型。
例子 x为输入数据；W为滤波器/内核，卷积的参数共享就是共享的该参数；
>>>tf.nn.conv2d(x , W, strides = [1,1,1,1], padding= 'SAME')