定义自定义 tf.keras 层时是否仍然需要实现 `compute_output_shape()`？

Question

我使用 TensorFlow 2.1.0 在 tf.keras 中实现了自定义 Layer。

以前使用单机Keras时，重要的是在任意自定义层中定义compute_output_shape(input_shape)方法，这样才能创建计算图。

现在，转移到 TF2 后，我发现即使我从我的自定义实现中删除该方法，该层仍按预期工作。显然，它在 eager 和 graph 模式下都可以工作。这是我的意思的一个例子：

from tensorflow.keras.layers import Layer, Input
from tensorflow.keras.models import Sequential
import numpy as np


class MyLayer(Layer):
    def call(self, inputs):
        return inputs[:, :-1]  # Do something that changes the shape


m = Sequential([MyLayer(), MyLayer()])
m.predict(np.ones((10, 3)))  # This would not have worked in the past

可以说 compute_output_shape() 不再是必需的了吗？我错过了什么重要的东西吗？

文档中没有明确提及删除 compute_output_shape()，尽管 none 示例明确实现了它。

谢谢

Answer 1

Tensorflow 文档中未提及，但在本书的第 12 章、Custom Models and Training with TensorFlow 中，O'REILLY Publications 的 Hands-on Machine Learning using Scikit-Learn and Tensorflow (2nd Edition Updated for Tensorflow 2)，由 Aurelien Geron 撰写，如下面的截图所示：

回答你的问题，是的，可以肯定地说 compute_output_shape 是不需要的，除非图层是动态的。

从 Tensorflow Tutorial on Custom Layer 可以明显看出 compute_output_shape 没有被使用。

希望这对您有所帮助。快乐学习！

定义自定义 tf.keras 层时是否仍然需要实现 `compute_output_shape()`？

Is it still necessary to implement `compute_output_shape()` when defining a custom tf.keras Layer?

keras

tensorflow

keras-layer

tf.keras

tensorflow2.0