一、tf.nn.conv2d()函数python版本的定义：
tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)1、参数 input：
需要做卷积的输入图像，是一个Tensor，shape为[batch, in_height, in_width, in_channels]，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，数据类型为float32和float64其中之一。
2、参数 filter：
相当于CNN中的卷积核，是一个Tensor，shape为[filter_height, filter_width, in_channels, out_channels]，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]，要求类型与第一个参数input相同。注意，filter的第三维in_channels，就是参数input的第四维。
3、参数 strides：
做卷积时在图像每一维的步长，这是一个1维的向量，长度4。注意：一定要确保strides[0] = strides[3] = 1，因为在batch维和in_channels维不需要步长这个概念！并且，大多数情况先，在图像的水平和垂直俩方向上的步长是想同的，即strides = [1，stride，stride，1]。
4、参数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。
当padding = SAME时，卷积输出图像的大小（宽高）和输入图像的大小是相同的。
举例：加入输入图像为input = [1, 3, 3, 1]，如下图：
卷积核filter = [2, 2, 1, 1]，如下图：
当padding = SAME时，函数会先将输入图像填充0，如下图：
然后开始卷积（每个位置加权求和），最终计算结果如下图：
可以看出，输入图像和输出图像都是3*3的图像！
当padding = VALID时，函数不会对图像进行填充0的操作，即without padding。此时，输出的图像大小会小于输入图像的大小。
5、参数use_cudnn_on_gpu：
bool类型，是否使用cudnn加速，默认为true。
6、返回值：
函数返回一个Tensor，就是我们常说的feature map！
再说strides：
是不是只要padding=’SAME’，那么卷积之后输出的尺寸就和输入相同呢？其实这还跟strides步长有关系！当步长strides = 1时对结果并没有什么影响。但不为1时，输出尺寸将不再与输入相同。
import tensorflow as tf data=tf.Variable(tf.random_normal([64,48,48,3]),dtype=tf.float32) weight=tf.Variable(tf.random_normal([5,5,3,64]),dtype=tf.float32) sess=tf.InteractiveSession() tf.global_variables_initializer().run() conv1=tf.nn.conv2d(data,weight,strides=[1,1,1,1],padding='SAME') conv2=tf.nn.conv2d(data,weight,strides=[1,2,2,1],padding='SAME') conv3=tf.nn.conv2d(data,weight,strides=[1,4,4,1],padding='SAME') print(conv1) print(conv2) print(conv3)结果为：
Tensor("Conv2D_6:0", shape=(64, 48, 48, 64), dtype=float32)
Tensor("Conv2D_7:0", shape=(64, 24, 24, 64), dtype=float32)
Tensor("Conv2D_8:0", shape=(64, 12, 12, 64), dtype=float32)可见，卷积时输出尺寸的大小和stride之间存在倍数关系。
二、函数的实现过程
对于给定形状为[batch, in_height, in_width, in_channels]的tensor变量input，和形状为[filter_height, filter_width, in_channels, out_channels]的卷积核filter，函数tensorflow::ops::Conv2D（C++版本定义，和python版本为tf.nn.conv2d是对应的）大致执行如下步骤：
step1：将卷积核转换成shape为[filter_height * filter_width * in_channels, output_channels]的tensor
step2：将输入数据转换成shape为[batch, out_height, out_width, filter_height * filter_width * in_channels]的tensor
step3：按如下逻辑执行：
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]