tf.nn.conv2d(value,filter,strides,[...])
对于图片来说
value : 形状通常是np.array()类型的4维数组也称tensor(张量), (batch,height,width,channels) 可以理解为（图片样本的个数，高，宽，图片的颜色通道数）
value是待卷积的数据
filter： 卷积核 -4元素元组【height,width,in_channels,out_channels】,前面的3个参数和value的后面3个参数一一对应。但是out_channels不太确定，卷积核的个数，
如果对一个shape 为[64,40,120,32]的数据进行卷积 filter=【3，3，32，64】,padding=‘same‘,strides=[1, 1, 1, 1] ,shape就变为了[64,40,120,64].
[3,3,32]与[40,120,32]进行对应，32=32，则相当于 【3，3】对【40，120】，卷积时以【3*3】的扫描面积在【40，120】上进行扫描，每扫描一次，在结果集上产生一个【1，1】的数据单位
起始位置为【40，120】上面的最前面【3，3】的部分，
移动步调大小为【1，1，1，1】，即上下左右每次移动都只能移动1个单位，每次只能向一个方向移动，
same表示结束位置为 卷积核与源数据重叠，只需移动一个单位则不再重叠。
所以，对于【40，120，32】经过【3，3，32】的扫描后变成【40，120，1】，64表示经过了64次这样的扫描，于成了【40，120，64】
#SAME模式就是将滑动窗口与矩阵进行左对齐，然后向右滑动。一直滑到与矩阵最右边那一列不相交为止。
#tf.nn.conv2d(value,filter,strides) value是待卷积的数据，filter是卷积核【height,width,in_channels,out_channels】,out_channels即映射通过的卷积核的个数，w_c1则表示会通过32次【3，3，1】的卷积核
#SAME模式就是将滑动窗口与矩阵进行左对齐，然后向右滑动。一直滑到与矩阵最右边那一列不相交为止。
conv1 = tf.nn.relu(tf.nn.bias_add(tf.nn.conv2d(x, w_c1, strides=[1, 1, 1, 1], padding=‘SAME‘), b_c1))#【64,40，120,32】 【60，160，32】
#tf.nn.max_pool(value,ksize,strides)池化与卷积的过程原理基本一样，ksize池化窗【batch,height,width,channels】,
#只是卷积改变的是height,width,channels,池化通常改变的是height,width
conv1 = tf.nn.max_pool(conv1, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding=‘SAME‘) #[64,20,60,32] 【
#tf.nn.dropout()用于在训练时，以某种概率暂不启用一部分神经元
conv1 = tf.nn.dropout(conv1, keep_prob)
原文地址：https://www.cnblogs.com/Ting-light/p/9255216.html