如何将TensorFlow 2D卷积（tf.nn.conv2d）应用于单个（非批处理）2D图像？

Question

我想在单个图像示例上使用函数tf.nn.conv2d() ，但是TensorFlow文档似乎只提到将这种转换应用于一批图像。

文档提到输入图像必须为[batch, in_height, in_width, in_channels]形状，内核必须为[filter_height, filter_width, in_channels, out_channels]形状。 但是，用输入形状[in_height, in_width, in_channels]实现2D卷积的最直接方法是什么？

这是当前方法的示例，其中img具有形状（高度，宽度，通道）：

img = tf.random_uniform((10,10,3))  # a single image
img = tf.nn.conv2d([img], kernel)[0] # creating a batch of 1, then indexing the single example

我正在重塑输入，如下所示：

[in_height, in_width, in_channels]->[1, in_height, in_width, in_channels]->[in_height, in_width, in_channels]

当我仅对转换一个示例感兴趣时，这感觉像是不必要且昂贵的操作。

有没有简单/标准的方法可以完成此操作，而无需进行整形？

Answer 1

AFAIK无法解决。 似乎（ 在这里和这里 ）第一个操作创建了一个副本（如果我错了，请纠正我）。 但是，您可以改用tf.expand_dims ，因为它的冗长性使IMO更具可读性。

另一方面，从张量取0元素在这种情况下不应该执行复制，并且几乎是免费的。

最重要的是 ，除了语法上的一些不便（例如[0] ），这些操作绝对不会花费很多 ，尤其是在执行卷积的情况下。

顺便说一句。 其他可用的替代层（例如tf.keras层）也需要批量作为第一维。