請參考這裡：
tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=none, name=none)
除去name引數用以指定該操作的name，與方法有關的一共五個引數：
第乙個引數input：指需要做卷積的輸入影象，它要求是乙個tensor，具有[batch, in_height, in_width, in_channels]這樣的shape，具體含義是[訓練時乙個batch的數量, 高度, 寬度, 影象通道數]，注意這是乙個4維的tensor，要求型別為float32和float64其中之一。影象通道數——就是有幾**像集。
第二個引數filter：相當於cnn中的卷積核，它要求是乙個tensor，具有[filter_height, filter_width, in_channels, out_channels]這樣的shape，具體含義是[卷積核的高度，卷積核的寬度，影象通道數，卷積核個數]，要求型別與引數input相同，有乙個地方需要注意，第三維in_channels，就是引數input的第四維。數值要一致。
第三個引數strides：卷積時在影象每一維的步長，這是乙個一維的向量，長度為4。[1，height步長，width步長，1]。
第四個引數padding：string型別的量，只能是"same","valid"其中之一，這個值決定了不同的卷積方式。「same」表示卷積核可以壓在影象邊緣，使最終的feature-mat大小=大小。
第五個引數：use_cudnn_on_gpu:bool型別，是否使用cudnn加速，預設為true
結果返回乙個tensor，這個輸出，就是我們常說的feature map
請參考這裡：
tf.nn.max_pool(value, ksize, strides, padding, name=none)
引數是四個，和卷積很類似：
第乙個引數value：需要池化的輸入，一般池化層接在卷積層後面，所以輸入通常是feature map，依然是[batch, in_height, in_width, in_channels]這樣的shape
第二個引數ksize：池化視窗的大小，取乙個四維向量，一般是[1, height, width, 1]，因為我們不想在batch和channels上做池化，所以這兩個維度設為了1
第三個引數strides：和卷積類似，視窗在每乙個維度上滑動的步長，一般也是[1, height_stride,width_stride, 1]
第四個引數padding：和卷積類似，可以取'valid' 或者'same'
返回乙個tensor，型別不變，shape仍然是[batch, height, width, channels]這種形式
參考**：
tensorflow中一些常用函式記錄
簡單函式不給用例 函式原型 def moments x,axes,shift none,pylint disable unused argument name none,keep dims false 例子img tf.variable tf.random normal 2,3,4 keep dim...
IOS開發中一些重要提示筆記
1 空值處理不當是引起程式錯誤乃至崩潰的重要原因之一。2 有效減少記憶體使用是開發軟體時第一優先順序的事情。3 在類的dealloc 函式中一定要將 super dealloc 放到最後一行。4 將類的成員變數作為類內部私有資料，而將類屬性作為外部可訪問的公有資料。5 使用 protocol模式時，...
創業之中一些重要的事
多人在初次創業的時候，都是資源十分欠缺的。資源不足，使企業創業成功的概率降低，但要有完全充分的資源也是不可能的。在資源具備上，一般來說，要符合兩種條件 一是要有進入乙個行業的起碼的資源，另一方面是具備差異性資源。如果任何條件均不具備，創業成功的可能性很小。創業資源條件主要包括幾個方面 業務資源 賺錢...