tf.keras.layers.Conv2D 作为模型中的第一层真的需要 input_shape 吗？

Question

根据the official documenttf.keras.layers.Conv2D，

当将此层用作模型中的第一层时，提供关键字参数 input_shape（整数元组，不包括样本轴），例如input_shape=(128, 128, 3) 用于 data_format="channels_last" 中的 128x128 RGB 图片。

但实际上没有 input_shape 它在图形执行和急切执行环境中都可以工作。

在图执行中，

import tensorflow as tf
from tensorflow.keras.layers import Conv2D, Flatten, Dense

class CNN(tf.keras.Model):

    def __init__(self):
        super(CNN, self).__init__()
        self.conv = Conv2D(1, 3, padding='same', data_format='channels_first')
        self.flatten = Flatten()
        self.dense = Dense(1)

    def call(self, inputs):
        x = self.conv(inputs)
        x = self.flatten(x)
        return self.dense(x)


cnn = CNN()
inputs = tf.random_uniform([2, 3, 16, 16])
outputs = cnn(inputs)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    outputs = sess.run(outputs)
    print(outputs)

工作没有任何错误，并且在急切的执行中，

import tensorflow as tf
from tensorflow.keras.layers import Conv2D, Flatten, Dense
tf.enable_eager_execution()

class CNN(tf.keras.Model):
    def __init__(self):
        super(CNN, self).__init__()
        self.conv = Conv2D(1, 3, padding='same', data_format='channels_first')
        self.flatten = Flatten()
        self.dense = Dense(1)

    def call(self, inputs):
        x = self.conv(inputs)
        x = self.flatten(x)
        return self.dense(x)


cnn = CNN()
inputs = tf.random_uniform([2, 3, 16, 16])
outputs = cnn(inputs)
print(outputs)

也有。

Q1：tf.keras.layers.Conv2D 作为模型的第一层真的需要指定input_shape吗？

Q2：如果不需要，什么时候需要，为什么官方文档里这么说？

更新1： Tutorial on tf.keras 说

输入维度的数量通常是不必要的，因为它可以被推断出来 第一次使用该层，但如果您愿意，可以提供 手动指定，这在一些复杂的模型中很有用。

更新2： TensorFlow 源码中的 docstring 的git blame 透露，该文档是从 Keras API（不是 TensorFlow keras API）复制而来的。

Answer 1

卷积通常不需要输入形状。实际上，您可以为同一个网络提供不同的输入形状，但是当您为 tensorflow 提供输入形状时，它会快得多。我认为原因，为什么它在文档中说明。

tensorflow的原始方法甚至没有输入形状的参数。