Tensorflow中提供了tf.nn.conv2d与tf.layers.conv2d用于添加卷积层，两者功能类似，后者为更高一级的api,和keras.layer类似。前者的激活函数需要另外代码，后者的激活函数是一个参数，不需要另外代码。
1. tf.nn.conv2d
tf.nn.conv2d(
input,
filter,
strides,
padding,
use_cudnn_on_gpu=True,
data_format='NHWC',
dilations=[1, 1, 1, 1],
name=None
)
- input: 指需要做卷积的输入图像（tensor），具有[batch,in_height,in_width,in_channels]这样的4维shape，分别是图片数量、图片高度、图片宽度、图片通道数，数据类型为float32或float64。
- filter: 相当于CNN中的卷积核，它是一个tensor，shape是[filter_height,filter_width,in_channels,out_channels]：滤波器高度、宽度、图像通道数、滤波器个数，数据类型和input相同。
- strides: 卷积在每一维的步长，一般为一个一维向量，长度为4，一般为[1,stride,stride,1]。
- padding:定义元素边框和元素内容之间的空间，只能是‘SAME’（边缘填充）或者‘VALID’（边缘不填充）。
返回Tensor.
2. tf.layers.conv2d
conv2d(inputs, filters, kernel_size,
strides=(1, 1),
padding='valid',
data_format='channels_last',
dilation_rate=(1, 1),
activation=None,
use_bias=True,
kernel_initializer=None,
bias_initializer=<tensorflow.python.ops.init_ops.Zeros object at 0x000002596A1FD898>,
kernel_regularizer=None,
bias_regularizer=None,
activity_regularizer=None,
kernel_constraint=None,
bias_constraint=None,
trainable=True,
name=None,
reuse=None)
- inputs：Tensor 输入
- filters：整数，表示输出空间的维数（即卷积过滤器的数量）
- 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。
- strides：一个整数，或者包含了两个整数的元组/队列，表示卷积的纵向和横向的步长。如果是一个整数，则横纵步长相等。另外， strides 不等于1 和 dilation_rate 不等于1 这两种情况不能同时存在。
- padding：“valid” 或者 “same”（不区分大小写）
- data_format：channels_last 或者 channels_first，表示输入维度的排序。
- dilation_rate：一个整数，或者包含了两个整数的元组/队列，表示使用扩张卷积时的扩张率。如果是一个整数，则所有方向的扩张率相等。另外， strides 不等于1 和 dilation_rate 不等于1 这两种情况不能同时存在。
- activation：激活函数。如果是None则为线性函数。
- use_bias：Boolean类型，表示是否使用偏差向量。
- kernel_initializer：卷积核的初始化。
- bias_initializer：偏差向量的初始化。如果是None，则使用默认的初始值。
- kernel_regularizer：卷积核的正则项
- bias_regularizer：偏差向量的正则项
- activity_regularizer：输出的正则函数
- kernel_constraint：映射函数，当核被Optimizer更新后应用到核上。Optimizer 用来实现对权重矩阵的范数约束或者值约束。映射函数必须将未被影射的变量作为输入，且一定输出映射后的变量（有相同的大小）。做异步的分布式训练时，使用约束可能是不安全的。
- bias_constraint：映射函数，当偏差向量被Optimizer更新后应用到偏差向量上。
- trainable：Boolean类型。
- name：字符串，层的名字。
- reuse：Boolean类型，表示是否可以重复使用具有相同名字的前一层的权重。
返回Tensor.
