tf.Variable(<initial - value>，name=<optional - name>)
函数目的：
用于定义图变量。生成一个初始值为initial - value的变量。tf.get_variable(name，shape，dtype，initializer,trainable)
函数目的：
用于定义图变量。获取已经存在的变量，如果不存在，就新建一个函数参数：
name：名称shape：数据形状。dtype：数据类型。常用的tf.float32，tf.float64等数值类型initializer：初始化值。可以使用各种初始化方法trainable:是否训练变量。bool类型：True训练，False不训练tf.get_variable（）相对于tf.Variable(）的优点：
方便共享变量，
必须和reuse和tf.variable_scope()配合使用
TensorFlow卷积函数tf.nn.conv2d
tf.nn.conv2d(input , filter , strides , padding , use_cudnn_nn_GPU = True , data_format = 'NHWC' , dialations = [1,1,1,1] , name =None，）
Returns:
A Tensor.
参数：
input： 功能：输入卷积的图像（tensor）；具有四维shape[batch, in_height, in_width, in_channels]:分别为图片数量，图片高度，图片宽度，图片通道数；数据类型：float32或float64. filter： 功能：相当于CNN中卷积核，是一个tensor；具有四维shape[filter_height, filter_width, in_channels, out_channels]:分别为滤波器高度，宽度，图像通道数，滤波器个数.数据类型：float32或float64. strides: 功能：卷积在每一维度的步长；一般为一维向量，长度为‘4’：[1， stride， stride，1]. padding: 功能：定义元素边框和元素内容之间的空间；只能是‘same‘或’valid‘类型 Return：返回值是tensor with tf.variable_scope('conv1') as scope: # 建立weights和biases的共享变量 # conv1, shape = [kernel size, kernel size, channels, kernel numbers] weights = tf.get_variable('weights', shape=[3, 3, 3, 16], dtype=tf.float32, initializer=tf.truncated_normal_initializer(stddev=0.1, dtype=tf.float32)) biases = tf.get_variable('biases', shape=[16], dtype=tf.float32, initializer=tf.constant_initializer(0.1)) conv = tf.nn.conv2d(images, weights, strides=[1, 1, 1, 1], padding='SAME') pre_activation = tf.nn.bias_add(conv, biases) # 加入偏差 conv1 = tf.nn.relu(pre_activation, name=scope.name) # 加上激活函数非线性化处理，且是在conv1的命名空间原文：https://www.jianshu.com/p/c72af2ff5393
