tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)
除去name参数用以指定该操作的name，与方法有关的一共五个参数：
input：指需要做卷积的输入图像，它要求是一个Tensor，具有[batch, in_height, in_width, in_channels]这样的shape，具体含义是[图片数量, 高度, 宽度, 通道数]，注意这是一个4维的Tensor，要求类型为float32和float64其中之一
filter：相当于CNN中的卷积核，它要求是一个Tensor，具有[filter_height, filter_width, in_channels, out_channels]这样的shape，具体含义是[卷积核的高度，卷积核的宽度，图像通道数，卷积核个数]，要求类型与参数input相同，有一个地方需要注意，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。一般为
[1,strides,strides,1]的形式。padding：string类型的量，只能是"SAME","VALID"其中之一，这个值决定了不同的卷积方式。‘SAME’，输出的图像形状和原图大小相等。‘VALID’，输出图像将会缩小
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，这个输出，就是我们常说的feature map，shape仍然是[batch, height, width, channels]这种形式
