如何在 Tensorflow 中使用 conv1d_transpose？答案

【问题标题】：How to use the conv1d_transpose in Tensorflow?如何在 Tensorflow 中使用 conv1d_transpose？
【发布时间】：2017-11-04 01:03:19
【问题描述】：

conv1d_transpose 尚未出现在 Tensorflow 的稳定版本中，但有一个可用的实现 on github

我想创建一个一维反卷积网络。输入的形状是[-1, 256, 16]，输出应该是[-1,1024,8]。内核大小为 5，步幅为 4。

我尝试用这个函数构建一维卷积层：

    (output_depth, input_depth) = (8, 16)
    kernel_width = 7
    f_shape = [kernel_width, output_depth, input_depth]
    layer_1_filter = tf.Variable(tf.random_normal(f_shape))

    layer_1 = tf_exp.conv1d_transpose(
        x,
        layer_1_filter,
        [-1,1024,8],
        stride=4, padding="VALID"
    )

layer_1的形状是TensorShape([Dimension(None), Dimension(None), Dimension(None)])，但应该是[-1,1024,8]

我做错了什么？如何在 Tensorflow 中实现一维反卷积？

【问题讨论】：

标签： python tensorflow machine-learning convolution convolutional-neural-network

【解决方案1】：

此时拉取请求是开放的，因此 API 和行为可以并且可能会改变。不支持 conv1d_transpose 的某些功能：

output_shape需要静态知道batch size，不能通过-1；
另一方面，输出形状是动态的（这解释了None 维度）。

另外，kernel_width=7 需要 in_width=255，而不是 256。应该使kernel_width 小于4 以匹配in_width=256。结果就是这个演示代码：

x = tf.placeholder(shape=[None, 256, 16], dtype=tf.float32)
filter = tf.Variable(tf.random_normal([3, 8, 16]))    # [kernel_width, output_depth, input_depth]
out = conv1d_transpose(x, filter, output_shape=[100, 1024, 8], stride=4, padding="VALID")

with tf.Session() as sess:
  sess.run(tf.global_variables_initializer())
  result = sess.run(out, feed_dict={x: np.zeros([100, 256, 16])})
  print(result.shape)  # prints (100, 1024, 8)

【讨论】：

【解决方案2】：

新的tf.contrib.nn.conv1d_transpose现已添加到Tensorflow API r1.8。

【讨论】：