1    tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)

input：指需要做卷积的输入图像，[batch, in_height, in_width, in_channels]

    [训练时一个batch的图片数量, 图片高度, 图片宽度, 图像通道数]

filter：[filter_height, filter_width, in_channels, out_channels]

     [卷积核的高度，卷积核的宽度，图像通道数，卷积核个数]

     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4

padding："SAME","VALID"

use_cudnn_on_gpu: bool类型，是否使用cudnn加速，默认为true

结果返回一个Tensor，即feature map，shape是[batch, height, width, channels]

 

2   tf.nn.max_pool(value,ksize,strides,padding,name=None)

value：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，[batch, height, width, channels]

ksize：池化窗口的大小，取一个四维向量，一般是[1, height, width, 1]，因为我们不想在batch和channels上做池化，所以这两个维度设为了1

strides：和卷积类似，窗口在每一个维度上滑动的步长，一般也是[1, stride,stride, 1]

padding：取'VALID' 或者'SAME'

返回一个Tensor，类型不变，shape仍然是[batch, height, width, channels]这种形式

3 https://blog.csdn.net/mzpmzk/article/details/78647721

 

参考

http://blog.csdn.net/mao_xiao_feng/article/details/53453926