编写一个python函数，完成卷积神经网络的卷积计算过程，卷积核移动步长为1

在Python中，我们可以使用深度学习库如TensorFlow或PyTorch来编写一个卷积神经网络（Convolutional Neural Network，简称CNN）中的卷积操作。这里我们以TensorFlow为例，因为其API更直观易懂。假设我们有一个简单的二维输入数据和一个一维的卷积核：

import tensorflow as tf

def conv_2d(input_data, kernel, stride=1):
    # input_data是一个四维张量 (batch_size, height, width, channels)
    # kernel是一个三维张量 (filter_height, filter_width, in_channels)

    # 创建conv2d层
    conv_layer = tf.keras.layers.Conv2D(
        filters=kernel.shape[-1],      # 输出通道数等于卷积核的最后一维
        kernel_size=kernel.shape[:2],   # 卷积核大小
        strides=stride,                 # 移动步长
        padding='same',                # 保持边界不变，可以选择'valid'（忽略边界）
        activation=None               # 可选激活函数，这里设为None以便查看原始特征图
    )

    # 应用卷积
    output = conv_layer(input_data)

    return output

# 示例：
input_shape = (32, 32, 3)    # 假设输入图像有32x32像素，3个颜色通道（RGB）
kernel_shape = (3, 3, 3, 64)   # 假设有一个3x3的卷积核，从3个输入通道提取64个特征

# 创建一些随机输入数据
input_data = tf.random.uniform(shape=input_shape)

# 实例化并应用卷积
conv_output = conv_2d(input_data, kernel=kernel_shape, stride=1)