tf.nn.conv2d_transpose 的文档说：
tf.nn.conv2d_transpose(
value,
filter,
output_shape,
strides,
padding='SAME',
data_format='NHWC',
name=None
)
output_shape 参数需要一个一维张量，指定此操作输出的张量的形状。在这里，由于我的 conv-net 部分完全建立在动态 batch_length 占位符上，我似乎无法为此操作的 output_shape 的静态 batch_size 要求提供解决方法。
网络上有很多关于这个问题的讨论，但是，我找不到任何可靠的解决方案。它们中的大多数都是定义了global_batch_size 变量的hacky。我想知道这个问题的最佳解决方案。这个经过训练的模型将作为已部署的服务提供。
【问题讨论】：
您可以使用参考张量的动态形状，而不是静态形状。
通常，如果您使用conv2d_transpose 操作，您是在“上采样”一层以获得网络中另一个张量的某种形状。
例如，如果您想复制 input_tensor 张量的形状，您可以执行以下操作：
import tensorflow as tf
input_tensor = tf.placeholder(dtype=tf.float32, shape=[None, 16, 16, 3])
# static shape
print(input_tensor.shape)
conv_filter = tf.get_variable(
'conv_filter', shape=[2, 2, 3, 6], dtype=tf.float32)
conv1 = tf.nn.conv2d(
input_tensor, conv_filter, strides=[1, 2, 2, 1], padding='SAME')
# static shape
print(conv1.shape)
deconv_filter = tf.get_variable(
'deconv_filter', shape=[2, 2, 6, 3], dtype=tf.float32)
deconv = tf.nn.conv2d_transpose(
input_tensor,
filter=deconv_filter,
# use tf.shape to get the dynamic shape of the tensor
# know at RUNTIME
output_shape=tf.shape(input_tensor),
strides=[1, 2, 2, 1],
padding='SAME')
print(deconv.shape)
程序输出：
(?, 16, 16, 3)
(?, 8, 8, 6)
(?, ?, ?, ?)
如您所见，最后一个形状在编译时完全未知，因为我将conv2d_transpose 的输出形状设置为tf.shape 操作的结果，该操作返回，因此其值可以在运行时更改.
【讨论】：
您可以使用以下代码根据该层的输入 (input) 和输出数量计算 tf.nn.conv2d_transpose 的输出形状参数来自这一层（num_outputs）。当然，您还有过滤器大小、填充、步幅和 data_format。
def calculate_output_shape(input, filter_size_h, filter_size_w,
stride_h, stride_w, num_outputs, padding='SAME', data_format='NHWC'):
#calculation of the output_shape:
if data_format == "NHWC":
input_channel_size = input.get_shape().as_list()[3]
input_size_h = input.get_shape().as_list()[1]
input_size_w = input.get_shape().as_list()[2]
stride_shape = [1, stride_h, stride_w, 1]
if padding == 'VALID':
output_size_h = (input_size_h - 1)*stride_h + filter_size_h
output_size_w = (input_size_w - 1)*stride_w + filter_size_w
elif padding == 'SAME':
output_size_h = (input_size_h - 1)*stride_h + 1
output_size_w = (input_size_w - 1)*stride_w + 1
else:
raise ValueError("unknown padding")
output_shape = tf.stack([tf.shape(input)[0],
output_size_h, output_size_w,
num_outputs])
elif data_format == "NCHW":
input_channel_size = input.get_shape().as_list()[1]
input_size_h = input.get_shape().as_list()[2]
input_size_w = input.get_shape().as_list()[3]
stride_shape = [1, 1, stride_h, stride_w]
if padding == 'VALID':
output_size_h = (input_size_h - 1)*stride_h + filter_size_h
output_size_w = (input_size_w - 1)*stride_w + filter_size_w
elif padding == 'SAME':
output_size_h = (input_size_h - 1)*stride_h + 1
output_size_w = (input_size_w - 1)*stride_w + 1
else:
raise ValueError("unknown padding")
output_shape = tf.stack([tf.shape(input)[0],
output_size_h, output_size_w, num_outputs])
else:
raise ValueError("unknown data_format")
return output_shape
【讨论】：
您可以使用 -1 的值替换 batch_size 的确切值。考虑下面的例子，我将形状为 (16, 16, 3) 的可变批量大小的输入张量转换为 (32, 32, 6)。
import tensorflow as tf
input_tensor = tf.placeholder(dtype = tf.float32, shape = [None, 16, 16, 3])
print (input_tensor.shape)
my_filter = tf.get_variable('filter', shape = [2, 2, 6, 3], dtype = tf.float32)
conv = tf.nn.conv2d_transpose(input_tensor,
filter = my_filter,
output_shape = [-1, 32, 32, 6],
strides = [1, 2, 2, 1],
padding = 'SAME')
print (conv.shape)
会输出你：
(?, 16, 16, 3)
(?, 32, 32, 6)
【讨论】：
Dimension -1 should be >= 0。
当你需要 train_batch_size 时，只需使用 tf.shape(X_batch)[0]
【讨论】：