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

• input：指需要做卷積的輸入圖像，它要求是一個Tensor，具有[batch, in_height, in_width, in_channels]這樣的shape，具體含義是[訓練時一個batch的圖片數(shù)量, 圖片高度, 圖片寬度, 圖像通道數(shù)]，注意這是一個4維的Tensor，要求類型為float32和float64其中之一。
• filter：相當于CNN中的卷積核，它要求是一個Tensor，具有[filter_height, filter_width, in_channels, out_channels]這樣的shape，具體含義是[卷積核的高度，卷積核的寬度，圖像通道數(shù)，卷積核個數(shù)]。
• strides：卷積時在圖像每一維的步長，這是一個一維的向量，長度4。
• padding：string類型的量，只能是"SAME","VALID"其中之一，padding = ‘VALID’ 時，沒有填充．因此輸出的size總比原圖的size小，padding = ‘SAME’ 時，用0填充邊界．能覆蓋原圖所有像素，不會舍棄邊上的元素；當步長/stride為1時，輸出和原圖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)：表示將bias加到value上。
tf.nn.xw_plus_b(self.h_drop, W, b, name="scores")： 相當于matmul(x, weights) + biases。