下面是二维卷积函数的样例和解释，一维或更高维的卷积函数与之类似
1、tf.nn.conv2d
tf.nn.conv2d(input, # 张量输入 filter, # 卷积核参数 strides, # 步长参数 padding, # 卷积方式 use_cudnn_on_gpu=None, # 是否是gpu加速 data_format=None, # 数据格式，与步长参数配合，决定移动方式 name=None): # 名字，用于tensorboard图形显示时使用
关键参数如下
input.shape=[batch, in_height, in_width, in_channels]
filter.shape= [filter_height, filter_width, in_channels, out_channels ]
strides = [1, stride, stride, 1].
必须满足strides[0] = strides[3] = 1.
在大多数情况下 strides = [1, stride, stride, 1].
2. tf.layers.conv2d
这是tensorflow 更高一级的api,和keras.layer类似
conv2d(inputs, # 输入的张量 filters, # 卷积过滤器的数量 kernel_size, # 卷积窗口的大小 strides=(1, 1), # 卷积步长 padding='valid', # 可选，默认为 valid，padding 的模式，有 valid 和 same 两种，大小写不区分。 data_format='channels_last', # 可选，默认 channels_last，分为 channels_last 和 channels_first 两种模式，代表了输入数据的维度类型，如果是 channels_last，那么输入数据的 shape 为 (batch, height, width, channels)，如果是 channels_first，那么输入数据的 shape 为 (batch, channels, height, width) dilation_rate=(1, 1),# 可选，默认为 (1, 1)，卷积的扩张率，如当扩张率为 2 时，卷积核内部就会有边距，3×3 的卷积核就会变成 5×5。 activation=None, # 可选，默认为 None，如果为 None 则是线性激活。 use_bias=True, # 可选，默认为 True，是否使用偏置。 kernel_initializer=None, # 可选，默认为 None，即权重的初始化方法，如果为 None，则使用默认的 Xavier 初始化方法。 bias_initializer=<tensorflow.python.ops.init_ops.Zeros object at 0x000002596A1FD898>, # 可选，默认为零值初始化，即偏置的初始化方法。 kernel_regularizer=None,# 可选，默认为 None，施加在权重上的正则项。 bias_regularizer=None, # 可选，默认为 None，施加在偏置上的正则项。 activity_regularizer=None, # 可选，默认为 None，施加在输出上的正则项。 kernel_constraint=None, # 可选，默认为 None，施加在权重上的约束项。 bias_constraint=None, # 可选，默认为 None，施加在偏置上的约束项。 trainable=True, # 可选，默认为 True，布尔类型，如果为 True，则将变量添加到 GraphKeys.TRAINABLE_VARIABLES 中。 name=None, # 可选，默认为 None，卷积层的名称。 reuse=None) # 可选，默认为 None，布尔类型，如果为 True，那么如果 name 相同时，会重复利用。
input 和tf.nn.conv2d 一样，必须是4维张量，input.shape=[batch, in_height, in_width, in_channels]
filters：整数，表示输出空间的维数（即卷积过滤器的数量），对应于tf.nn.conv2d中的out_channels
kernel_size：一个整数，或者包含了两个整数的元组/队列，表示卷积窗的高和宽。如果是一个整数，则宽高相等。 对应于tf.nn.conv2d中的(filter_height, filter_width)
2. keras.layers.conv2d
keras.layers.convolutional.Conv2D(filters, kernel_size, strides=(1, 1),
padding='valid',
data_format=None,
dilation_rate=(1, 1),
activation=None,
use_bias=True,
kernel_initializer='glorot_uniform',
bias_initializer='zeros',
kernel_regularizer=None,
bias_regularizer=None,
activity_regularizer=None,
kernel_constraint=None,
bias_constraint=None)
filters：卷积核的数目（即输出的维度）
kernel_size：单个整数或由两个整数构成的list/tuple，卷积核的宽度和长度。如为单个整数，则表示在各个空间维度的相同长度。
strides：单个整数或由两个整数构成的list/tuple，为卷积的步长。如为单个整数，则表示在各个空间维度的相同步长。任何不为1的strides均与任何不为1的dilation_rate均不兼容
padding：补0策略，为“valid”, “same” 。“valid”代表只进行有效的卷积，即对边界数据不处理。“same”代表保留边界处的卷积结果，通常会导致输出shape与输入shape相同。
activation：激活函数，为预定义的激活函数名（参考激活函数），或逐元素（element-wise）的Theano函数。如果不指定该参数，将不会使用任何激活函数（即使用线性激活函数：a(x)=x）
dilation_rate：单个整数或由两个个整数构成的list/tuple，指定dilated convolution中的膨胀比例。任何不为1的dilation_rate均与任何不为1的strides均不兼容。
data_format：字符串，“channels_first”或“channels_last”之一，代表图像的通道维的位置。该参数是Keras 1.x中的image_dim_ordering，“channels_last”对应原本的“tf”，“channels_first”对应原本的“th”。以128x128的RGB图像为例，“channels_first”应将数据组织为（3,128,128），而“channels_last”应将数据组织为（128,128,3）。该参数的默认值是~/.keras/keras.json中设置的值，若从未设置过，则为“channels_last”。
use_bias:布尔值，是否使用偏置项
kernel_initializer：权值初始化方法，为预定义初始化方法名的字符串，或用于初始化权重的初始化器。参考initializers
bias_initializer：权值初始化方法，为预定义初始化方法名的字符串，或用于初始化权重的初始化器。参考initializers
kernel_regularizer：施加在权重上的正则项，为Regularizer对象
bias_regularizer：施加在偏置向量上的正则项，为Regularizer对象
activity_regularizer：施加在输出上的正则项，为Regularizer对象
kernel_constraints：施加在权重上的约束项，为Constraints对象
bias_constraints：施加在偏置上的约束项，为Constraints对象