clipboard.png
图片来自论文：https://hal.archives-ouvertes.fr/file/index/docid/112631/filename/p1038112283956.pdf
caffe 跟 tensorflow对二维卷积的实现都是基于im2col的思路，上两图为caffe的实现，输入格式采用的是NWHC，tensorflow的原理基本相同，但在最后的实现中，采用的都是NCWH格式，所以在gen_nn_ops中矩阵的维度跟上图有一些不同，即把卷积操作转化为矩阵的乘法运算，而矩阵的乘法运算在【cuda C 编程手册】中介绍的很清晰了，用tiled算法很容易可以完成加速，运算速度非常快。
tensorflow的源码脉络：
tf.contrib.slim.conv2d
----tf.contrib.layers.conv2d
--------tf.layers.conv2d()
------------tf.nn.conv2d()
----------------tf.nn_ops.conv2d(...)
--------------------tf.gen_nn_ops.conv2d(...) （文件编译自动生成，害我在github上找了半天）
--------------------_op_def_lib.apply_op("Conv2D", ...)
最后的实现用C++在文件conv_ops.cc中（尼玛，套这么多层有毛意思）：
https://github.com/tensorflow/tensorflow/blob/master/tensorflow/core/kernels/conv_ops.cc
tensorflow的python接口中，大部分常用的深度神经网络算子都是在tf.nn中实现的，也是python接口中最底层的，一些其他的应用在上边做了一些其他的封装，比如 models中的slim，keras等，来看下tf.gen_nn_ops.conv2d(...)具体是怎么实现的卷积操作：
除了给出卷积层的实现，还有卷基层的梯度计算实现：
最后用的cudnn函数库实现。
到了矩阵乘法，剩下的用cuda来做就比较容易实现了【cuda C 编程手册】或者上篇简书【cuda 矩阵乘法运算并行】。
