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来编写卷积神经网络的卷积操作。这里我将以Keras（TensorFlow的一个高级API）为例，展示如何创建一个简单的卷积层函数，假设输入是一个4D张量（样本数、高度、宽度、通道数），卷积核大小和通道数也已知：

from tensorflow.keras.layers import Conv2D

def conv_layer(input_data, kernel_size, filters, strides=1):
    # 创建一个二维卷积层实例
    conv = Conv2D(filters=filters, kernel_size=kernel_size, strides=strides, padding='same')
    
    # 对输入数据应用卷积操作
    output = conv(input_data)
    
    return output

# 示例用法
input_shape = (batch_size, height, width, channels)  # 根据实际数据调整形状
x = tf.random.uniform(shape=input_shape, dtype=tf.float32)  # 生成随机输入
conv_result = conv_layer(x, kernel_size=(3, 3), filters=64, strides=1)

这个函数`conv_layer`接受输入数据`input_data`，卷积核大小`kernel_size`，以及想要提取的特征数量`filters`。默认情况下，步长(strides)设置为1，表示每个像素点都会被卷积核覆盖一次。