有代码用到卷积层是tf.nn.conv2d 或者tf.contrib,slim.conv2d. 这两个函数调用的卷积层是否一致，查看源码如下:

conv2d(input, 
        filter,
        strides,
        padding,
        use_cudnn_on_gpu=None,
        data_format=None,
        name = None)

input:需要做卷积的输入图像，它要求是一个Tensor,具有[batch_size, 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,要求数据类型维float32 和float64.

filter:用于指定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]，要求类型与input相同，

strides:为卷积时在图像每一维的步长那个，这时一个一维的向量，长度为4， 对应的是在input的4个维度上的步长。

padding:是string类型的变量，只能是“SAME”， “VALID”其中之一，这个值决定了不同的卷积方式， SAME代表卷积核可以停留图像边缘。

而对于tf.contrib.slim.conv2d,其函数定义如下：

convolution(inputs, 
        num_outputs,
        kernel_size),
        stride=1,
        padding = 'SAME',
        data_format=None,
        rate = 1,
        activation_fn=nn.relu,
        normalizer_fn = None,
        normalizer_params=None,
        weights_initializer = initializer.xavier_initializer(),
        weights_regularizer = None,
        biases_initializer=init_ops.zeros_initializer(),
        biases_regularizer = None,
        reuse = None,
        variables_collections=None,
        outputs_collections=None,
        trainable=True, 
        scope=None):

inputs同样是指需要做卷积的输入图像
num_outputs指定卷积核的个数（就是filter的个数）
kernel_size用于指定卷积核的维度（卷积核的宽度，卷积核的高度）
stride为卷积时在图像每一维的步长
padding为padding的方式选择，VALID或者SAME
data_format是用于指定输入的input的格式
rate这个参数不是太理解，而且tf.nn.conv2d中也没有，对于使用atrous convolution的膨胀率（不是太懂这个atrous convolution）
activation_fn用于激活函数的指定，默认的为ReLU函数
normalizer_fn用于指定正则化函数
normalizer_params用于指定正则化函数的参数
weights_initializer用于指定权重的初始化程序
weights_regularizer为权重可选的正则化程序
biases_initializer用于指定biase的初始化程序
biases_regularizer: biases可选的正则化程序
reuse指定是否共享层或者和变量
variable_collections指定所有变量的集合列表或者字典
outputs_collections指定输出被添加的集合
trainable:卷积层的参数是否可被训练
scope:共享变量所指的variable_scope

为了缓解重复这些代码， TF-Slim在更抽象的神经网络层的层面上提供了大量方便使用的操作符， 比如，将上面的代码和TF-Slim响应的代码调用进行比较：