几乎与现有的VAR2D（）相同，但是我想给它添加一个特殊的函数。
假设我们有一个5x5过滤器和一个100x100输入的形状。
据我所知，conv2d（）在内部会：
从整个输入中选择5x5输入区域。
计算5x5输入区域和滤波器之间的卷积。
以给定的速度移动到下一个输入区域。
相反，定制的_conv2d（）需要在内部执行以下操作：
从整个输入中选择5x5输入区域。（相同）
从5x5输入区域中的每个值中减去f（5x5输入区域）的标量值。（添加）
计算5x5输入区域的减去值与滤波器之间的卷积。（相同）
以给定的速度移动到下一个输入区域。（相同）
其中f（x）是（max（x）+min（x））/2
做起来容易吗？
定制代码能在gpu上运行吗？
浏览nn_ops.py、gen_nn_ops.py和nn_ops.cc的相关源代码，我来寻求您的帮助。
提前谢谢！
附加：
到目前为止我学到的是：
1）在CPU上运行最简单的方法可能是定制TensorFlow。尽可能少地调整tensorflow/core/kernels/conv_ops.cc和tensorflow/core/kernels/deep_conv2d.cc使用这种特殊的TensorFlow，conv2d（）以所需的方式运行，而不是原来的方式在这种情况下，通过复制相关行并将python包装器中的所有函数/方法重命名为c++代码来添加一个新的op（如customized悻conv2d（））可能会过于费力。
2）不希望通过CUDA在GPU上运行tensorflow的conv2d（）似乎最终调用了nvidia-cuda-deep神经网络库（cudnn）中的cudnnConvolutionForward()。conv2d（）的主要部分在此库中完成。Software License Agreement (SLA) for NVIDIA cuDNN不允许逆向工程或修改。未提供库的源代码。
3）不过，通过opencl在gpu上运行可能还有希望。
最佳答案
由于卷积本身是线性的，插入任何线性操作都可以通过先通过tf.nn.conv2d卷积，然后通过该操作来完成。
每个(max(x) + min(x)) / 2补丁上的5x5可以通过(tf.nn.max_pool(x) - tf.nn.max_pool(-x)) * 0.5实现。要在conv之后减去这个值，还需要将结果乘以相应的卷积核和。之后，你可以应用非线性激活函数。
但是，一般来说，我不知道如何有效地添加非线性运算，例如在卷积乘法之前获得每个5x5块的z分数。或许其他的答案可以提供一些见解。