如何动态设置反卷积tf.nn.conv2d_transpose()的output_shape的batch_size

最新推荐文章于 2025-06-20 17:16:58 发布

烧鹅先生

最新推荐文章于 2025-06-20 17:16:58 发布

阅读量1.1k

点赞数 1

CC 4.0 BY-SA版权

分类专栏：深度学习 tensorflow学习

本文链接：https://blog.youkuaiyun.com/BLUEMEE/article/details/93870555

在复现网络的时候遇到一个问题，在使用tf.nn.conv2d_transpose()实现转置卷积的时候，该函数里面有个参数是output_shape，需要确定输出tensor的shape，由于在建立网络的时候最开始使用的是占位符（placeholder）

images = tf.placeholder(tf.float32, [None, self.cfgs["training"]['image_height'], self.cfgs["training"]['image_width'], self.cfgs["training"]['n_channels']])

这里对于batch_size并没有确定，而是用了None代替。
而在确定转置卷积的output_shape的时候就会导致batch_size也是不定的

所以，如何动态设置反卷积tf.nn.conv2d_transpose()的output_shape的batch_size

我看到的有两种解决办法：

1、设置一个全局变量，global_batch_size，在这个全局的变量里面获取batch_size。但是这个方法感觉还是没有很“动态”

2、另一个是获得输入tensor的shape的tensor：

in_shape_tensor=tf.shape(input)

tf.shape()返回的是目标tensor的shape的tensor，在建立网络的时候他是没有定义的，只有在运行的时候才能知道是多少，也就是这个shape是动态的

def de_conv(self,input,out_channal=1,up_scale=1,padding='SAME',name="upsample_bilinear"):
    in_shape_tensor=tf.shape(input)
    in_shape=input.shape.as_list()
    strides=[1,up_sca