下面代碼中，輸入圖像色彩通道爲3；卷積層的過濾器大小設置爲5*5，深度爲16，步長爲1；池化層的過濾器大小設置爲3*3，步長爲2。卷積層全0填充：使輸入得圖像的輸出時大小相同。池化層全0填充：使圖像大小與池化過濾器能完全重合。
import tensorflow as tf
# 構建卷積層
# 通過tf.get_variable的方式創建過濾器的權重和偏置項
# 卷積層的參數個數之和過濾器的尺寸、深度以及當前層節點矩陣的深度有關
# 聲明四維矩陣，前兩維爲過濾器的尺寸，第三維爲當前層的深度，第四維爲過濾器深度
filter_weight = tf.get_variable('weight', [5, 5, 3, 16],
initializer=tf.truncated_normal_initializer(stddev=0.1))
biases = tf.get_variable('biases', [16], initializer=tf.constant_initializer(0.1))
# tf.nn.conv2d非常方便實現卷積層前向傳播算法
# 第一個輸入爲當前層的節點矩陣，這個矩陣爲四維矩陣，第一維對應一個輸入batch，後三維爲節點矩陣
# 例如，input[0,:,:,:]表示第一張圖片，input[1,:,:,:]爲第二張圖片
# 第二個輸入爲卷積層的權重，第三個輸入爲不同維度上的步長
# 第三個輸入提供的是一個長度爲4的數組，但是數組第一位和第四位一定要是1，因爲卷積層的步長只對矩陣的長和寬有效
# 第四個輸入時填充的方法，TensorFlow只提供兩種選擇，SAME爲全0填充，VALID爲不添加
conv = tf.nn.conv2d(input, filter_weight, strides=[1, 1, 1, 1], padding='SAME')
# tf.nn.bias_add添加偏置項，同一層同一個偏置
bias = tf.nn.bias_add(conv, biases)
#將計算結果通過ReLU激活函數完成去線性化
actived_conv = tf.nn.relu(bias)
# 構建池化層
# tf.nn.avg_pool函數實現了平均池化層，用法與max_pool相似
# tf.nn.max_pool實現了最大池化層的前向傳播過程，參數和conv2d類似
# ksize提供了過濾器的尺寸，數組第一位和第四位一定要是1，比較常用的是[1,2,2,1]和【1,3,3,1】
# strides提供了步長，數組第一位和第四位一定要是1
# padding提供了是否全0填充
pool = tf.nn.max_pool(actived_conv, ksize=[1, 3, 3, 1],
strides=[1, 2, 2, 1], padding='SAME')