卷積，說白了就是對應位置相乘再求和，卷積操作用廣泛應用於圖像識別，在自然語言處理中也開始應用，用作文本分類問題。
卷積操作最重要的部分就是卷積核或者說過濾器
1、常用過濾器尺寸爲3*3或者5*5
2、卷積神經網絡中，每個卷基層中過濾器中的參數都是一樣的，這樣就巨幅減少神經網絡的參數
3、邊緣可以採用全0填充，或者不進行填充，其結果矩陣略有不同
4、卷積層參數的個數與輸入層圖片尺寸無關，與深度有關，比如輸入層維度32*32*3，卷積層尺寸5*5，深度16，那麼這個卷積層的參數個數爲：5*5*3*16+16
簡單實現代碼如下：
#coding:utf-8
import tensorflow as tf
#設置過濾器
filter_weight = tf.get_variable('weights',[5,5,3,16],initializer=tf.truncated_normal_initializer(stddev=0.1))#5 5代表過濾器的尺寸，3爲當前層的深度，16爲過濾器的深度，即輸出深度爲16
#設置每一個w對應的b
biases = tf.get_variable("basises",[16],initializer=tf.constant_initializer(0.1))#因爲上面說了，輸出維度爲16，所以這裏有16個basis
#對輸入進行卷積操作（沒有加b）
conv = tf.nn.conv2d(input,filter_weight,strides=[1,1,1,1],padding ="SAME" )
#將求得的卷積每一個加上b
bias = tf.nn.bias_add(conv,biases)
#施加激活函數
active_conv = tf.nn.relu(bias)
#添加最大池化層
pool = tf.nn.max_pool(active_conv,ksize = [1,3,3,1],strides = [1,2,2,1],padding = "SAME")
