为什么只为第一个 Conv2D 层指定 Conv2D 层的 input_shape 属性？

Question

我是 AI/ML 的新手。 我正在学习 TensorFlow。 在一些教程中，我注意到Conv2D层的input_shape参数仅用于第一个。 代码看起来有点像这样：

model = tf.keras.models.Sequential([
    tf.keras.layers.Conv2D(16, (3,3), activation='relu',
                           input_shape=(300,300,3)),
    tf.keras.layers.MaxPooling2D(2, 2),
    tf.keras.layers.Conv2D(32, (3,3), activation='relu'),
    tf.keras.layers.MaxPooling2D(2,2),
    tf.keras.layers.Conv2D(64, (3,3), activation='relu'),
    tf.keras.layers.MaxPooling2D(2,2),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(512, activation='relu'),
    tf.keras.layers.Dense(1, activation='sigmoid')
])

在许多示例中，不仅在上述示例中，讲师并未在其中包含该论点。 有什么理由吗？

Answer 1

下一层从上一层的 output 派生出所需的形状。 即MaxPooling2D层根据Conv2D层的output等推导出其输入形状。 请注意，在您的顺序 model 中，您甚至不需要在第一层定义 input_shape。 如果您提供真实数据，它能够导出input_shape ，这为您提供了更多的灵活性，因为您不必对输入形状进行硬编码：

import tensorflow as tf
tf.random.set_seed(1)

model = tf.keras.models.Sequential([
    tf.keras.layers.Conv2D(16, (3,3), activation='relu',),
    tf.keras.layers.MaxPooling2D(2, 2),
    tf.keras.layers.Conv2D(32, (3,3), activation='relu'),
    tf.keras.layers.MaxPooling2D(2,2),
    tf.keras.layers.Conv2D(64, (3,3), activation='relu'),
    tf.keras.layers.MaxPooling2D(2,2),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(512, activation='relu'),
    tf.keras.layers.Dense(1, activation='sigmoid')
])

print(model(tf.random.normal((1, 300, 300, 3))))

tf.Tensor([[0.6059081]], shape=(1, 1), dtype=float32)

如果将形状不正确的数据（例如 (300, 3) 而不是 (300, 300, 3)）传递到 model，则会发生错误，因为Conv2D层需要 3D 输入（不包括批处理维度）。 如果您的 model 没有input_shape ，您将无法调用model.summary()来查看您的网络。 首先，您必须使用输入形状构建 model：

model.build(input_shape=(1, 300, 300, 3))
model.summary()