为什么只为第一个 Conv2D 层指定 Conv2D 层的 input_shape 属性？答案

【问题标题】：Why should the input_shape property of a Conv2D layer be specified only for the first Conv2D layer?为什么只为第一个 Conv2D 层指定 Conv2D 层的 input_shape 属性？
【发布时间】：2021-11-20 10:14:19
【问题描述】：

我是 AI/ML 方面的新手。我正在学习 TensorFlow。在一些教程中，我注意到 Conv2D 层的 input_shape 参数仅用于第一个。代码看起来有点像这样：

model = tf.keras.models.Sequential([
    tf.keras.layers.Conv2D(16, (3,3), activation='relu',
                           input_shape=(300,300,3)),
    tf.keras.layers.MaxPooling2D(2, 2),
    tf.keras.layers.Conv2D(32, (3,3), activation='relu'),
    tf.keras.layers.MaxPooling2D(2,2),
    tf.keras.layers.Conv2D(64, (3,3), activation='relu'),
    tf.keras.layers.MaxPooling2D(2,2),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(512, activation='relu'),
    tf.keras.layers.Dense(1, activation='sigmoid')
])

在许多示例中，不仅在上述示例中，讲师并未在其中包含该论点。有什么原因吗？

【问题讨论】：

标签： python tensorflow keras neural-network

【解决方案1】：

下一层从上一层的输出中推导出所需的形状。也就是说，MaxPooling2D 层根据Conv2D 层的输出等推导出其输入形状。请注意，在您的顺序模型中，您甚至不需要在第一层定义 input_shape。如果您向其提供真实数据，它能够导出input_shape，这为您提供了更多的灵活性，因为您不必对输入形状进行硬编码：

import tensorflow as tf
tf.random.set_seed(1)

model = tf.keras.models.Sequential([
    tf.keras.layers.Conv2D(16, (3,3), activation='relu',),
    tf.keras.layers.MaxPooling2D(2, 2),
    tf.keras.layers.Conv2D(32, (3,3), activation='relu'),
    tf.keras.layers.MaxPooling2D(2,2),
    tf.keras.layers.Conv2D(64, (3,3), activation='relu'),
    tf.keras.layers.MaxPooling2D(2,2),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(512, activation='relu'),
    tf.keras.layers.Dense(1, activation='sigmoid')
])

print(model(tf.random.normal((1, 300, 300, 3))))

tf.Tensor([[0.6059081]], shape=(1, 1), dtype=float32)

如果将形状不正确的数据（例如 (300, 3) 而不是 (300, 300, 3)）传递给您的模型，则会发生错误，因为 Conv2D 层需要不包括批次维度的 3D 输入. 如果您的模型没有input_shape，那么您将无法调用model.summary() 来查看您的网络。首先，您必须使用输入形状构建模型：

model.build(input_shape=(1, 300, 300, 3))
model.summary()

【讨论】：