卷积函数
tf.nn.conv2d(input,filter,strides,padding,use_cudnn_on_gpu=None,name=None)
除去用以指定该操作名字的name参数，与方法有关的共有5个参数。如下:
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]这样的形状（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” ， 注意这是一个四维的
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， 滤波器的宽度， 图像通道数， 滤波器个数” ， 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， 这是一个一维的向量， 长度为4。
padding： 定义元素边框与元素内容之间的空间。 string类型的量， 只能是SAME和VALID其中之一， 这个值决定了不同的卷积方式， padding的值为’VALID’时， 表示边缘不填充， 当其为’SAME’时， 表示填充到滤波器可以到达图像边缘。
use_cudnn_on_gpu： bool类型， 是否使用cudnn加速， 默认为true。
池化函数
tf.nn.max_pool(input,ksize,strides,padding,name=None)
tf.nn.avg_pool(input,ksize,strides,padding,name=None)
上面这两个函数中的四个参数和卷积参数类似，如下：
input：需要池化的输入，一般池化层接在卷积层后面，所以输入通常是feature map，依然是[batch,height,width,channels]这样的shape。
ksize：池化窗口的大小，取一个四维向量，一般是[1,height,width,1]，我们不想在batch和channels上做池化，所以这两个维度设为1
strides：步长，一般也是[1,strides,strides,1]
padding：和卷积一样，VALID是不进行padding操作，SAME是padding操作
