下面是二維卷積函數的樣例和解釋，一維或更高維的卷積函數與之類似
1、tf.nn.conv2d
tf.nn.conv2d(input, # 張量輸入 filter, # 卷積核參數 strides, # 步長參數 padding, # 卷積方式 use_cudnn_on_gpu=None, # 是否是gpu加速 data_format=None, # 數據格式，與步長參數配合，決定移動方式 name=None): # 名字，用於tensorboard圖形顯示時使用
關鍵參數如下
input.shape=[batch, in_height, in_width, in_channels]
filter.shape= [filter_height, filter_width, in_channels, out_channels ]
strides = [1, stride, stride, 1].
必須滿足strides[0] = strides[3] = 1.
在大多數情況下 strides = [1, stride, stride, 1].
2. tf.layers.conv2d
這是tensorflow 更高一級的api,和keras.layer類似
conv2d(inputs, # 輸入的張量 filters, # 卷積過濾器的數量 kernel_size, # 卷積窗口的大小 strides=(1, 1), # 卷積步長 padding='valid', # 可選，默認為 valid，padding 的模式，有 valid 和 same 兩種，大小寫不區分。 data_format='channels_last', # 可選，默認 channels_last，分為 channels_last 和 channels_first 兩種模式，代表了輸入數據的維度類型，如果是 channels_last，那么輸入數據的 shape 為 (batch, height, width, channels)，如果是 channels_first，那么輸入數據的 shape 為 (batch, channels, height, width) dilation_rate=(1, 1),# 可選，默認為 (1, 1)，卷積的擴張率，如當擴張率為 2 時，卷積核內部就會有邊距，3×3 的卷積核就會變成 5×5。 activation=None, # 可選，默認為 None，如果為 None 則是線性激活。 use_bias=True, # 可選，默認為 True，是否使用偏置。 kernel_initializer=None, # 可選，默認為 None，即權重的初始化方法，如果為 None，則使用默認的 Xavier 初始化方法。 bias_initializer=<tensorflow.python.ops.init_ops.Zeros object at 0x000002596A1FD898>, # 可選，默認為零值初始化，即偏置的初始化方法。 kernel_regularizer=None,# 可選，默認為 None，施加在權重上的正則項。 bias_regularizer=None, # 可選，默認為 None，施加在偏置上的正則項。 activity_regularizer=None, # 可選，默認為 None，施加在輸出上的正則項。 kernel_constraint=None, # 可選，默認為 None，施加在權重上的約束項。 bias_constraint=None, # 可選，默認為 None，施加在偏置上的約束項。 trainable=True, # 可選，默認為 True，布爾類型，如果為 True，則將變量添加到 GraphKeys.TRAINABLE_VARIABLES 中。 name=None, # 可選，默認為 None，卷積層的名稱。 reuse=None) # 可選，默認為 None，布爾類型，如果為 True，那么如果 name 相同時，會重復利用。
input 和tf.nn.conv2d 一樣，必須是4維張量，input.shape=[batch, in_height, in_width, in_channels]
filters：整數，表示輸出空間的維數（即卷積過濾器的數量），對應於tf.nn.conv2d中的out_channels
kernel_size：一個整數，或者包含了兩個整數的元組/隊列，表示卷積窗的高和寬。如果是一個整數，則寬高相等。 對應於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：卷積核的數目（即輸出的維度）
kernel_size：單個整數或由兩個整數構成的list/tuple，卷積核的寬度和長度。如為單個整數，則表示在各個空間維度的相同長度。
strides：單個整數或由兩個整數構成的list/tuple，為卷積的步長。如為單個整數，則表示在各個空間維度的相同步長。任何不為1的strides均與任何不為1的dilation_rate均不兼容
padding：補0策略，為“valid”, “same” 。“valid”代表只進行有效的卷積，即對邊界數據不處理。“same”代表保留邊界處的卷積結果，通常會導致輸出shape與輸入shape相同。
activation：激活函數，為預定義的激活函數名（參考激活函數），或逐元素（element-wise）的Theano函數。如果不指定該參數，將不會使用任何激活函數（即使用線性激活函數：a(x)=x）
dilation_rate：單個整數或由兩個個整數構成的list/tuple，指定dilated convolution中的膨脹比例。任何不為1的dilation_rate均與任何不為1的strides均不兼容。
data_format：字符串，“channels_first”或“channels_last”之一，代表圖像的通道維的位置。該參數是Keras 1.x中的image_dim_ordering，“channels_last”對應原本的“tf”，“channels_first”對應原本的“th”。以128x128的RGB圖像為例，“channels_first”應將數據組織為（3,128,128），而“channels_last”應將數據組織為（128,128,3）。該參數的默認值是~/.keras/keras.json中設置的值，若從未設置過，則為“channels_last”。
use_bias:布爾值，是否使用偏置項
kernel_initializer：權值初始化方法，為預定義初始化方法名的字符串，或用於初始化權重的初始化器。參考initializers
bias_initializer：權值初始化方法，為預定義初始化方法名的字符串，或用於初始化權重的初始化器。參考initializers
kernel_regularizer：施加在權重上的正則項，為Regularizer對象
bias_regularizer：施加在偏置向量上的正則項，為Regularizer對象
activity_regularizer：施加在輸出上的正則項，為Regularizer對象
kernel_constraints：施加在權重上的約束項，為Constraints對象
bias_constraints：施加在偏置上的約束項，為Constraints對象