tf.reshape 与 tf.contrib.layers.flatten

Question

所以我正在运行一个 CNN 来解决分类问题。我有 3 个卷积层和 3 个池化层。 P3 是最后一个池化层的输出，其维度为：[Batch_size, 4, 12, 48]，我想将该矩阵展平为[Batch_size, 2304] 大小的矩阵，即2304 = 4*12*48。我一直在使用“选项 A”（见下文）一段时间，但有一天我想尝试“选项 B”，理论上这会给我同样的结果。然而，它没有。我之前检查过以下线程

Is tf.contrib.layers.flatten(x) the same as tf.reshape(x, [n, 1])?

但这只会增加更多的混乱，因为尝试“选项 C”（取自上述线程）给出了一个新的不同结果。

P3 = tf.nn.max_pool(A3, ksize = [1, 2, 2, 1], strides = [1, 2, 2, 1], padding='VALID')

P3_shape = P3.get_shape().as_list()

P = tf.contrib.layers.flatten(P3)                             <-----Option A

P = tf.reshape(P3, [-1, P3_shape[1]*P3_shape[2]*P3_shape[3]]) <---- Option B

P = tf.reshape(P3, [tf.shape(P3)[0], -1])                     <---- Option C

我更倾向于选择“选项 B”，因为这是我在 Dandelion Mane (https://www.youtube.com/watch?v=eBbEDRsCmv4&t=631s) 的视频中看到的，但我想了解为什么这 3 个选项会给出不同的结果。

Answer 1

所有 3 个选项都以相同的方式重塑：

import tensorflow as tf
import numpy as np

p3 = tf.placeholder(tf.float32, [None, 1, 2, 4])

p3_shape = p3.get_shape().as_list()

p_a = tf.contrib.layers.flatten(p3)                                  # <-----Option A

p_b = tf.reshape(p3, [-1, p3_shape[1] * p3_shape[2] * p3_shape[3]])  # <---- Option B

p_c = tf.reshape(p3, [tf.shape(p3)[0], -1])                          # <---- Option C

print(p_a.get_shape())
print(p_b.get_shape())
print(p_c.get_shape())

with tf.Session() as sess:
    i_p3 = np.arange(16, dtype=np.float32).reshape([2, 1, 2, 4])
    print("a", sess.run(p_a, feed_dict={p3: i_p3}))
    print("b", sess.run(p_b, feed_dict={p3: i_p3}))
    print("c", sess.run(p_c, feed_dict={p3: i_p3}))

这段代码产生了 3 次相同的结果。您的不同结果是由其他原因造成的，而不是由重塑造成的。