TensorFlow：简单的卷积层、池化层（采样层）示例

卷积层：

ws=tf.get_variable('w',[5,5,3,16],initializer=tf.truncated_normal_initializer(stddev=0.1))
bs=tf.get_variable('b',[16],initializer=tf.constant_initializer(0.1))

conv=tf.nn.conv2d(input,ws,strides=[1,1,1,1],padding='SAME')
b=tf.nn.bias_add(conv,bs)

now_conv=tfnn.relu(b)

tf.get_variable函数有四个参数，第一维为名字，第二维为变量维度（前两维为卷积核尺寸，第三维为层的深度，第四维为卷积核深度），第三维是变量的初始化方法，主要有以下几种：
tf.constant_initializer：常量初始化函数

tf.random_normal_initializer：正态分布

tf.truncated_normal_initializer：截取的正态分布

tf.random_uniform_initializer：均匀分布

tf.zeros_initializer：全部是0

tf.ones_initializer：全是1

tf.uniform_unit_scaling_initializer：满足均匀分布，但不影响输出数量级的随机值

tf.nn.conv2d函数有四个参数，第一维为输入图像，第二维为卷积层权值，第三维为不同维度的步长（在CNN中，第一维、第四维固定为1），第四维填充方式（SAME表示全0填充，VALID为不填充）。

层的深度：例如一个输入图像是28*28*3，其中3代表深度，即为（R，G，B）

卷积核的深度：我的理解就是卷积核的个数（不知道对不对）

当然，我们有更简单的方法实现一个卷积层，代码如下：

now_conv=slim.conv2d(input,16,[3,3])

slim.conv2d函数有三个必填参数，第一维为输入图像，第二维为卷积核的深度，第三维为卷积核的尺寸。

池化层（采样层）：

p=tf.nn.max_pool(now_conv,ksize=[1,3,3,1],strides=[1,2,2,1],padding='SAME']

TensorFlow提供两种池化函数，分别是max_pool和avg_pool，前者为最大值池化，后者为均值池化。