静态和动态维度
TensorFlow: Shapes and dynamic dimensions一文中，对张量的静态和动态维度做了描述。
- 使用tf.get_shape()获取静态维度
- 使用tf.shape获取动态维度
如果你的placeholder输入的维度都是固定的情况下，使用get_shape()。但是很多情况下，我们希望想训练得到的网络可以用于任意大小的图像，这时你的placeholder就的输入维度都是[None,None,None,color_dim]这样的，在这种情况下，后续网络中如果需要得到tensor的维度，则需要使用tf.shape。
tf.nn.conv2d和tf.layers.conv2d
tf.nn.conv2d和tf.layers.conv2d都可以用来定义一个卷积层，但是两个函数又有所不同。我个人感觉
tf.layers.conv2d应该是在tf.nn.conv2d的基础上进行封装的，因为它的参数相对而言要简单很多，最主要的参数有如下:
- 输入tensor
input - 滤波器的数量
filters stridepadding
而滤波器的初始化，则完全可以自身完成。
对tf.nn.conv2d函数而言，主要的参数如下：
- 输入tensor
input - 滤波器tensor
filter stridepadding
主要区别就在于，使用tf.nn.conv2d的时候，用户需要自己初始化滤波器tensor，而不是自动初始化。除此之外，两者还有一个十分重要的区别：
-
tf.layers.conv2d在初始化滤波器的时候，只需要给出滤波器个数，其实也就是输出结果的featue map个数，也就是缺省认为输入函数的tensor的feature map 数量是已知的。 -
tf.nn.conv2d在初始化滤波器的时候，filter参数的维度为：[filter_height, filter_width, in_channels, out_channels]，相当于显式的（in_chann）告知了输入tensor的feature map个数。
在定义u-net的时候，需要使用tf.slice函数取出一个tensor的一部分，虽然这个tensor的维度是（?, ?, ?, 512）维度，但是使用tf.slice以后，输出的tensor则变成了（?, ?, ?, ?）维度，继续将这样的一个tensor输入tf.layers.conv2d则会下面的错误：
The channel dimension of the inputs should be defined. Found `None`.
但是将这个tensor给tf.nn.conv2d则不会产生相同的错误，因为在定义filter的时候，定义了in_channels，相当于纠正了tf.slice的错误。
所以，在定义一些较为复杂网络graph的时候，最好还是使用tf.nn.conv2d，而不是使用tf.layers.conv2d。
