https://blog.csdn.net/jiandanjinxin/article/details/77519629

借用了上面博主对tf.nn.conv2d的参数说明，想看更详细的可以看原文。

tf.nn.conv2d是TensorFlow里面实现卷积的函数，参考文档对它的介绍并不是很详细，实际上这是搭建卷积神经网络比较核心的一个方法，非常重要

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：

第一个参数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

第二个参数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，就是参数input的第四维


第三个参数strides：卷积时在图像每一维的步长，这是一个一维的向量，长度4


第四个参数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（后面会介绍）

第五个参数：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，shape仍然是[batch, height, width, channels]这种形式。

针对padding的两种方法做一解释：（不明白可以去网易云课堂看吴恩达老师的deep learning 免费的）

首先我们要明白卷积操作有两个问题： 
1. 图像越来越小； 

2. 图像边界信息丢失，即有些图像角落和边界的信息发挥作用较少。

这个函数对应的两种方法：

1.VALID：不进行填充

2.SAME：用0填充，保证输入输出图像大小一致。

输出图像的维度计算公式为

（n+2p-f+1）/s=n 

p=(f-1)/2 

n为输入或者输出的维度（图片大小），p为padding，s为步长，f为filter的维度（大小）

卷积核大小通常为奇数 
1.方便same卷积padding对称填充，左右两边对称补零； 
2.奇数过滤器有中心像素，便于确定过滤器的位置。

原文出处