首先，我们将发布tf2.0中tf.keras.layers.Conv2D ()函数的官方文档，介绍每个参数的含义和用法。
TF.Keras.layers.conv2d(filters，kernel_size，strides=(1，padding='valid '，data_format=None，kernel kernel_regularizer=None，bias _ regullarizer kernel _ constraint=none，bias_constraint=None，**kwargs是否定义此函数
后面的多参数都是关键字参数(有等于符号的)，都有默认值，不用写。 下面，我们逐一分析一下各参数的含义。1、函数的位置参数filters，
这是第一个参数，位置是固定的。 含义是过滤器的个数或卷积核心的个数。 这与卷积后的输出通道数相同。 例如，如果以下过滤器为5，则卷积输出的通道数(最后一位)为5
当filters卷积核数为8时，输出的通道数为8 2、函数的第二个位置参数 kernel_size，
卷积内核的大小通常为33或55。 这里，如[ 3，3 ]、[ 5，5 ]那样，用两个整数的组或列表表示。 如果height、width的纵横相同，则可以直接用1个整数表示。 例如，如果是3或5，则是卷积后的height、width
hight=width=(p-s )/strides 1，
这里输入形状为2020，卷积核为33，滑动步长为1，所以输出为[20-3]/1=18
其中，由于输入为2020、卷积核为55、滑动步长为22，所以输出形状为(20-5 )/2 ) 1向下舍入为8，
3、关键字参数strides=(1, 1)，滑动步长，
默认的横向和纵向滑块都是1，它与上面的卷积核心size结合使用，用于计算输出的形状。
hight=width=(p-s )/strides 1，
4、关键字参数padding = “valid”，默认是边缘不填充，
这里只有两个取值，另一个取值为“same”，表示边由0填充。 如果填充=“same”，则输出形状为height=width=P/strides，并向上舍入。 如下图所示，
5 、关键字参数 data_format = ’ channels_first’，输入的数据格式，
这里只能取两个值： channels_first和channels_last。 也就是说，在输入的数据格式中，通道数是第一个还是最后一个，缺省值为channels_last，即在缺省输入数据格式中通道数是最后一个。
如果data_format='channels_first '，则输入和输出的形状格式如下
(batch_size、channels、height、width )即(图像数、通道数、长度、宽度)如下图所示。
6、关键字参数dalition_rate = （1,1）这个含义是卷积核的膨胀系数，
这里的作用是使卷积核形状膨胀，用0填充新位置。 新的卷积核尺寸和膨胀系数计算公式如下。
设原积核尺寸为s、膨胀系数为k，则膨胀后的卷积核的尺寸为
size=k(s-1 ) 1
7 、关键字参数activation = “relu”，此处的含义是激活函数，
相当于经过卷积输出后，经过一次激活函数后，一般的激活函数有relu、softmax、selu等
8、关键字参数use_bias =0 、1，偏置项，
此处的值是布尔值，0或1。 0意味着bias没有增加，1意味着有。
9 、后面的关键字参数一般不常用，
kernel_initializer :卷积核初始化、
bias_initializer :偏差值初始化、
kernel_regularizer :卷积核正则化
bias_regularizer :偏差归一化
activity_regularizer这个地方也是正则化的
kernel_constraint :卷积核约束
bias_constraint :偏差约束。
这些参数不常见，但、
10 、最后还有几个可选 的关键字参数，input_shape,
这是输入的形式，一般是4D。 (batch size，height，width，channels )，不用定义。 那是默认的输入形式。