在tf1.0中，对卷积层重新进行了封装，比原来版本的卷积层有了很大的简化。
一、旧版本（1.0以下）的卷积函数：tf.nn.conv2d
conv2d( input, filter, strides, padding, use_cudnn_on_gpu=None, data_format=None, name=None)
该函数定义在tensorflow/python/ops/gen_nn_ops.py。
参数：
input:一个4维Tensor（N,H,W,C). 类型必须是以下几种类型之一:half,float32,float64.filter:卷积核. 类型和input必须相同，4维tensor,[filter_height, filter_width, in_channels, out_channels],如[5,5,3,32]strides: 在input上切片采样时，每个方向上的滑窗步长，必须和format指定的维度同阶,如[1, 2, 2, 1]padding: 指定边缘填充类型:"SAME", "VALID". SAME表示卷积后图片保持不变，VALID则会缩小。use_cudnn_on_gpu: 可选项，bool型。表示是否在GPU上用cudnn进行加速，默认为True.data_format: 可选项，指定输入数据的格式:"NHWC"或 "NCHW"， 默认为"NHWC"。NHWC格式指[batch, in_height, in_width, in_channels]NCHW格式指[batch, in_channels, in_height, in_width]name: 操作名，可选.
示例：
conv1=tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')
二、1.0版本中的卷积函数: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=tf.zeros_initializer(), kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None, trainable=True, name=None, reuse=None)
定义在.
参数多了很多，但实际用起来，却更简单。
inputs: 输入数据，4维tensor.filters: 卷积核个数。kernel_size:卷积核大小，如【5，5】。如果长宽相等，也可以直接设置为一个数，如kernel_size=5strides: 卷积过程中的滑动步长，默认为[1,1]. 也可以直接设置为一个数，如strides=2padding: 边缘填充，'same' 和'valid‘选其一。默认为valid-
data_format: 输入数据格式，默认为channels_last，即(batch, height, width, channels),也可以设置为channels_first对应(batch, channels, height, width). -
dilation_rate: 微步长卷积，这个比较复杂一些，请百度. activation: 激活函数.use_bias: Boolean型，是否使用偏置项.kernel_initializer: 卷积核的初始化器.bias_initializer: 偏置项的初始化器，默认初始化为0.kernel_regularizer: 卷积核化的正则化，可选.bias_regularizer: 偏置项的正则化，可选.activity_regularizer: 输出的正则化函数.trainable: Boolean型，表明该层的参数是否参与训练。如果为真则变量加入到图集合中GraphKeys.TRAINABLE_VARIABLES(seetf.Variable).name: 层的名字.reuse: Boolean型, 是否重复使用参数.
示例：
conv1=tf.layers.conv2d( inputs=x, filters=32, kernel_size=5, padding="same", activation=tf.nn.relu, kernel_initializer=tf.TruncatedNormal(stddev=0.01))
更复杂一点的：
conv1 = tf.layers.conv2d(batch_images, filters=64, kernel_size=7, strides=2, activation=tf.nn.relu, kernel_initializer=tf.TruncatedNormal(stddev=0.01) bias_initializer=tf.Constant(0.1), kernel_regularizer=tf.contrib.layers.l2_regularizer(0.003), bias_regularizer=tf.contrib.layers.l2_regularizer(0.003), name='conv1')