《Tensorflow初级教程》
在Tensorflow中，这个API的功能是执行卷积操作的，它是如何工作的呢？
卷积操作的目的卷积操作的目的是提取图像的特征。 提取什么特殊的东西？ 根据卷积核、计算方法的不同，可以得到不同的特征提取图。
图（1）
左边是同一张图，通过三次卷积操作，可以得到三幅特征图，分别是锐化、浮雕、轮廓。
卷积操作图（2）
把上图分成几个部分，用几个关键词来理解卷积操作吧。
原图:上图绿色矩阵，这是计算机眼睛里的照片。 图像用矩阵表示。卷积核:上图黄色矩阵，这是卷积核，核大小可以定制。 2x2、3x3、5x5也可以。 根据卷积核中的权重提取的特征图不同，如图(1)所示，根据核得到的特征图不同。计算方式:上图中的灰色箭头表示两种计算方法：原始矩阵和卷积核矩阵。 进行讨论。特征图:上图中的粉红色部分是卷积操作最后得到的结果。 卷积的计算方式图（3）
从图3可以看出，卷积核不断在原图上滑动，每张幻灯片移动一格，用原图和卷积核上的数值计算得到缩略图矩阵的数据。
各种卷积操作卷积操作说明图4该卷积操作称为SAME Padding，卷积操作后原图与特征图大小相同。 光栅图5的卷积操作称为VALUE Padding，卷积操作后原图大于特征图，单个移动步长为2 图6空洞卷积(a trous convoverve ) 此参数定义内核在卷积数据时每个值之间的间隔。