tf.nn的conv2d卷积与max_pool池化

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】

padding: 扫描时对边角面积的处理模式 。SAME表示    扫描的的时候，对于源矩阵中 不足卷积核大小的 面积 仍进行扫描 ，直到卷积核的左边缘与源矩阵右边缘不相交为止。卷积核与源矩阵没有任何重叠部分 的扫描 不在结果集上产生数据单位。     VALID 表示，扫描时，对于源矩阵中 不足卷积核大小的 面积舍弃，不再扫描。

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]

对于[64,20,60,32] 的矩阵进行池化，卷积核【2，2】，步长【2，2】表示卷积核的面积为2*2，每次扫描时移动的步调大小是2个单位，如果对于一个4*4的矩阵，进行这个种扫描，

扫描四次（2*2）即可扫描完成。如果是5*5的矩阵，不足卷积核的模式为same，则需扫描9次(3*3)，valid模式4次（2*2）。

所以，【64，20，60，32】的矩阵池化后shape则变为 【64，10，30，32】。