tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)
-
input：指需要做卷积的输入图像，它要求是一个Tensor，具有[batch, in_height, in_width, in_channels]这样的shape，具体含义是[训练时一个batch的图片数量, 图片高度, 图片宽度, 图像通道数]，注意这是一个4维的Tensor，要求类型为float32和float64其中之一。 -
filter：相当于CNN中的卷积核，它要求是一个Tensor，具有[filter_height, filter_width, in_channels, out_channels]这样的shape，具体含义是[卷积核的高度，卷积核的宽度，图像通道数，卷积核个数]。 -
strides：卷积时在图像每一维的步长，这是一个一维的向量，长度4。 -
padding：string类型的量，只能是"SAME","VALID"其中之一，padding = ‘VALID’ 时，没有填充．因此输出的size总比原图的size小，padding = ‘SAME’ 时，用0填充边界．能覆盖原图所有像素，不会舍弃边上的元素；当步长/stride为1时，输出和原图size一致。
b = tf.Variable(tf.constant(0.0, shape=[num_filters]), name="b")
conv = tf.nn.conv2d(
self.embedded_chars_expanded,
W,
strides=[1, 1, 1, 1],
padding="VALID",
name="conv")
h = tf.nn.relu(tf.nn.bias_add(conv, b), name="relu")
tf.nn.bias_add(conv,b)
tf.nn.bias_add(value, bias)：表示将bias加到value上。
tf.nn.xw_plus_b(self.h_drop, W, b, name="scores")： 相当于matmul(x, weights) + biases。
