解释一下：

tf.keras.layers.Conv2D(filters,kernel_size,strides=(1, 1),padding='valid',data_format=None,dilation_rate=(1, 1),groups=1,activation=None,use_bias=True,kernel_initializer='glorot_uniform',bias_initializer='zeros',kernel_regularizer=None,bias_regularizer=None,activity_regularizer=None,kernel_constraint=None,bias_constraint=None,**kwargs
)

filters （滤波器）

filters又叫滤波器或者卷积核。每一层卷积有多少卷积核，以及一共有多少层卷积，这些暂时没有理论支撑，一般都是靠感觉去设置几组候选值，然后通过实验挑选出其中的最佳值。

滤波器的数量就是神经元的数量，因为每个神经元对该层的输入进行不同的卷积（更准确地说，神经元的输入权重形成卷积核）。一个特征图是一个经过滤波器后的结果，因此有多少个特征图就有多少个滤波器（有些复杂的数据，往往需要更多的滤波器），其大小是你的滤波器的窗口/内核大小和跨度的结果。经过N个卷积核的卷积，就生成了N维的特征数据，即feature map。
下面举个实例：
这里输入的图片尺寸是(32, 32)，经过6个滤波器（即6个特征图）后，就得到了一个(28, 28, 6)的数据。那么不同的卷积核，就会得到不同的特征，下面是比较简单常见的卷积核，分别提取了图片的特征，对CSDN猴子进行操作(以$3\times$的卷积核为例)：

• 不对图像处理的卷积核：
  $$\left[\begin{array}{ccc}0& 0& 0\\ 0& 1& 0\\ 0& 0& 0\end{array}\right]$$
  卷积后的结果：
  
• 边缘检测（突出边缘差异性）：
  [ 1 0 − 1 0