池化和卷积运算在输入张量上滑动一个“窗口”。使用
tf.nn.conv2d作为一个例子：如果输入张量有4个方面：
[batch, height, width, channels]，则卷积在二维窗口上操作
height, width的尺寸。
strides确定窗口在每个维度上的移动量。典型用法是将第一个（批次）和最后一个（深度）步幅设置为1。
让我们使用一个非常具体的示例：在32x32灰度输入图像上运行2-d卷积。我说灰度是因为输入图像的深度为1，这有助于使其简单。让该图像看起来像这样：
00 01 02 03 04 ...10 11 12 13 14 ...20 21 22 23 24 ...30 31 32 33 34 ......
让我们在一个示例（批次大小= 1）上运行2x2卷积窗口。我们给卷积的输出通道深度为8。
卷积的输入为
shape=[1, 32, 32, 1]。
如果指定
strides=[1,1,1,1]与
padding=SAME，则滤波器的输出将是[1，32，32，8]。
过滤器将首先为以下内容创建输出：
F(00 01 10 11)
然后针对：
F(01 02 11 12)
等等。然后它将移至第二行，计算：
F(10, 11 20, 21)
然后
F(11, 12 21, 22)
如果将步幅指定为[1、2、2、1]，则不会重叠窗口。它将计算：
F(00, 01 10, 11)
接着
F(02, 03 12, 13)
跨步操作对于池化操作员类似。
问题2：为何大步走向[1，x，y，1]
前一个是批处理：您通常不想跳过批处理中的示例，否则您不应该首先将它们包括在内。:)
最后一个是卷积的深度：出于相同的原因，您通常不想跳过输入。
conv2d运算符比较笼统，因此您 可以 创建卷积以使窗口沿其他尺寸滑动，但这在卷积网络中并不常见。典型用途是在空间上使用它们。
为什么要重塑为-1
-1是一个占位符，它表示“根据需要进行调整以匹配整个张量所需的大小”。这是使代码独立于输入批处理大小的一种方法，因此您可以更改管道，而不必在代码中的任何地方调整批处理大小。
