tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)

主要是理解input 和filter的结构

input: [batch, in_height, in_width, in_channels]

in_height, in_width 表示图片的宽度和高度，一般是以像素为单位；
batch 表示这一批数据中有多少张图片；
in_channels 表示每张图片的通道，灰度图只有1个channel，rgb图有三个channel，分别是rgb值，rgba图有四个channel，最后一个a表示透明度。

filter:[filter_height, filter_width, in_channels, out_channels]

filter就是卷积核，一般的教程中作示意的时候卷积核都认为是二维的，但实际上如果不是灰度图，那么输入的图片就不是二维的。
filter_height, filter_width 分别代表 卷积核的高度和宽度，一般高度和宽度是一样的；
in_channels 表示输入图片的通道数，就是input 中的n_channels，两个必须是一样的，卷积的时候就是从图像[in_height, in_width, in_channels]中抽取[filter_height, filter_width, in_channels]，和卷积核[filter_height, filter_width, in_channels]， 两个三维的张量做点积，产生一个值，就表示卷积生成的图像中的一个像素点
out_channels 是生成的卷积后图像的深度，实际上也是卷积核的个数，也是生成的feature的个数。

这样理解起来应该就没有问题了。