tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None) 结果返回一个Tensor，这个输出，就是我们常说的feature map
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.
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.
strides：
卷积时在图像每一维的步长，这是一个一维向量，长度4。步长不为1的情况，文档里说了对于图片，因为只有两维，通常strides取[1，stride，stride，1]。（image_batch_size_stride，image_height_stride，image_width_stride，image_channels_stride ）。第 1 个和最后一个跨度参数通常很少修改，因为它们会在 tf.nn.conv2d 运算中跳过一些数据，从而不将这部分数据予以考虑。如果希望降低输入的维数，可修改 image_height_stride 和 image_width_stride 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。
SAME：卷积输出与输入的尺寸相同。这里在计算如何跨越图像时，并不考虑滤波器的尺寸。选用该设置时，缺失的像素将用 0 填充，卷积核扫过的像素数将超过图像的实际像素数。
VALID：在计算卷积核如何在图像上跨越时，需要考虑滤波器的尺寸。这会使卷积核尽量不越过图像的边界。在某些情形下，可能边界也会被填充。
