tf.nn的conv2d卷積與max_pool池化
tf.nn.conv2d(value,filter,strides,[...])
對於圖片來說
value : 形狀通常是np.array()類型的4維數組也稱tensor(張量), (batch,height,width,channels) 可以理解為（圖片樣本的個數，高，寬，圖片的顏色通道數）
value是待卷積的數據
filter： 卷積核 -4元素元組【height,width,in_channels,out_channels】,前面的3個參數和value的後面3個參數一一對應。但是out_channels不太確定，卷積核的個數，
如果對一個shape 為[64,40,120,32]的數據進行卷積 filter=【3，3，32，64】,padding=‘same‘,strides=[1, 1, 1, 1] ,shape就變為了[64,40,120,64].
[3,3,32]與[40,120,32]進行對應，32=32，則相當於 【3，3】對【40，120】，卷積時以【3*3】的掃描面積在【40，120】上進行掃描，每掃描一次，在結果集上產生一個【1，1】的數據單位
起始位置為【40，120】上面的最前面【3，3】的部分，
移動步調大小為【1，1，1，1】，即上下左右每次移動都只能移動1個單位，每次只能向一個方向移動，
same表示結束位置為 卷積核與源數據重疊，只需移動一個單位則不再重疊。
所以，對於【40，120，32】經過【3，3，32】的掃描後變成【40，120，1】，64表示經過了64次這樣的掃描，於成了【40，120，64】
#SAME模式就是將滑動窗口與矩陣進行左對齊，然後向右滑動。一直滑到與矩陣最右邊那一列不相交為止。
#tf.nn.conv2d(value,filter,strides) value是待卷積的數據，filter是卷積核【height,width,in_channels,out_channels】,out_channels即映射通過的卷積核的個數，w_c1則表示會通過32次【3，3，1】的卷積核
#SAME模式就是將滑動窗口與矩陣進行左對齊，然後向右滑動。一直滑到與矩陣最右邊那一列不相交為止。
conv1 = tf.nn.relu(tf.nn.bias_add(tf.nn.conv2d(x, w_c1, strides=[1, 1, 1, 1], padding=‘SAME‘), b_c1))#【64,40，120,32】 【60，160，32】
#tf.nn.max_pool(value,ksize,strides)池化與卷積的過程原理基本一樣，ksize池化窗【batch,height,width,channels】,
#只是卷積改變的是height,width,channels,池化通常改變的是height,width
conv1 = tf.nn.max_pool(conv1, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding=‘SAME‘) #[64,20,60,32] 【
#tf.nn.dropout()用於在訓練時，以某種概率暫不啟用一部分神經元
conv1 = tf.nn.dropout(conv1, keep_prob)
tf.nn的conv2d卷積與max_pool池化