与 tf.nn.conv2d_transpose 相比，为什么 tf.keras.layers.Conv2DTranspose 不需要 output_shape？

Question

我在这里遗漏了一些基本的东西。但是我总是使用 tf.nn API 进行转置卷积，我必须在其中指定输出形状，因为它是模棱两可的（Link）。但是，对于 TF 2.0，我切换到 Keras 子类化，现在我想知道为什么我不必在更高级别 API 中指定转置卷积的输出形状。他们如何准确计算它？

Answer 1

tf.keras.layers.Conv2DTranpose 通过 tf.keras.backend.conv2d_transpose.

后端到 tf.nn.conv2d_transpose

为了计算 tf.nn.conv2d_transpose 的 output_shape 参数，它使用函数 deconv_output_length（定义为 here）：

def deconv_output_length(input_length, filter_size, padding, stride):
  """Determines output length of a transposed convolution given input length.
  Arguments:
      input_length: integer.
      filter_size: integer.
      padding: one of "same", "valid", "full".
      stride: integer.
  Returns:
      The output length (integer).
  """
  if input_length is None:
    return None
  input_length *= stride
  if padding == 'valid':
    input_length += max(filter_size - stride, 0)
  elif padding == 'full':
    input_length -= (stride + filter_size - 2)
  return input_length

与 tf.nn.conv2d_transpose 相比，为什么 tf.keras.layers.Conv2DTranspose 不需要 output_shape？

Why does tf.keras.layers.Conv2DTranspose need no output_shape compared to tf.nn.conv2d_transpose?

transpose

autoencoder

conv-neural-network

tensorflow

tensorflow2.0