为什么 tf.keras.layers.Conv2DTranspose 与 tf.nn.conv2d_transpose 相比不需要 output_shape？

【问题标题】：Why does tf.keras.layers.Conv2DTranspose need no output_shape compared to tf.nn.conv2d_transpose?为什么 tf.keras.layers.Conv2DTranspose 与 tf.nn.conv2d_transpose 相比不需要 output_shape？
【发布时间】：2019-04-24 08:41:10
【问题描述】：

我在这里缺少一些基本的东西。但我总是使用tf.nn API 进行转置卷积，我必须在其中指定输出形状，因为它是模棱两可的（Link）。但是，对于 TF 2.0，我切换到 Keras 子类化，现在我想知道为什么我不必在更高级别的 API 中为转置卷积指定输出形状。他们如何精确计算？

【问题讨论】：

标签： tensorflow conv-neural-network transpose autoencoder tensorflow2.0

【解决方案1】：

tf.keras.layers.Conv2DTranpose 通过tf.keras.backend.conv2d_transpose 后端到tf.nn.conv2d_transpose。

要计算tf.nn.conv2d_transpose 的output_shape 参数，它使用函数deconv_output_length（定义here）：

def deconv_output_length(input_length, filter_size, padding, stride):
  """Determines output length of a transposed convolution given input length.
  Arguments:
      input_length: integer.
      filter_size: integer.
      padding: one of "same", "valid", "full".
      stride: integer.
  Returns:
      The output length (integer).
  """
  if input_length is None:
    return None
  input_length *= stride
  if padding == 'valid':
    input_length += max(filter_size - stride, 0)
  elif padding == 'full':
    input_length -= (stride + filter_size - 2)
  return input_length

【讨论】：