定义自定义 tf.keras 层时是否还需要实现 `compute_output_shape()`？

Question

我使用 TensorFlow 2.1.0 在tf.keras 中实现了一个自定义Layer。

过去，当使用独立的 Keras 时，在任何自定义层中定义 compute_output_shape(input_shape) 方法非常重要，这样才能创建计算图。

现在，在迁移到 TF2 之后，我发现即使我从自定义实现中删除了该方法，该层仍然可以按预期工作。显然，它可以在急切模式和图形模式下工作。 这是我的意思的一个例子：

from tensorflow.keras.layers import Layer, Input
from tensorflow.keras.models import Sequential
import numpy as np


class MyLayer(Layer):
    def call(self, inputs):
        return inputs[:, :-1]  # Do something that changes the shape


m = Sequential([MyLayer(), MyLayer()])
m.predict(np.ones((10, 3)))  # This would not have worked in the past

可以说compute_output_shape() 不再需要了吗？我错过了什么重要的东西吗？

在文档中没有明确提及删除compute_output_shape()，尽管没有一个示例明确实现它。

谢谢

Answer 1

在 Tensorflow 文档中没有提到，但在 第 12 章，Custom Models and Training with TensorFlow，Hands-on Machine Learning using Scikit -O'REILLY Publications 的Learn and Tensorflow (Tensorflow 2 的第二版更新)，作者 Aurelien Geron，如下截图所示：

要回答您的问题，是的，可以肯定地说，除非图层是动态的，否则不需要 compute_output_shape。

这从Tensorflow Tutorial on Custom Layer 可以明显看出，其中compute_output_shape 没有使用。

希望这会有所帮助。快乐学习！