Python Tensorflow conv2d_转置输出_形状

我想实现一个不固定输入大小的生成性对抗网络（GAN），比如

4d张量（Batch\u size，None，None，3）

但是当我使用conv2d_转置时，有一个参数

output_shape

，这个参数在反褶积运算后必须通过

真实大小

例如，如果批次img的大小是（64，32，32，128），那么w是重量，后面是（3，3，64，128）

deconv=tf.nn.conv2d\u转置（批处理\u img，w，输出\u形状=[64,64,64,64]，步幅=[1,2,2,1]，填充=[SAME]）

因此，我用

大小（64,64,64,64,64）

得到

deconv

，如果我传递输出形状的

真实大小就可以了

但是，我想使用非固定输入大小
（64，无，无，128）
，并使用
（64，无，无，64）
获取
deconv

但是，它会产生如下错误

TypeError:无法将类型的对象转换为张量…

那么，我能做些什么来避免deconv中的这个参数呢？还是有其他方法实现非固定GAN？

输出形状列表不接受列表中包含None，因为None对象无法转换为张量对象
None仅允许在
tf.占位符的形状中使用

对于不同大小的输出形状而不是None请尝试-1例如，您想要大小
（64，None，None，128）
所以请尝试
[64，-1，-1，128]
。。。我不确定这是否有效。。。我的第一个参数不是固定大小，因此我使用了-1
然而，对于转置卷积
tf.layers.conv2d\u transpose（）
我确信高级api
tf.layers.conv2d\u transpose（）
将适合您，因为它需要不同输入的张量
您甚至不需要指定
输出形状
，只需要指定要使用的
输出通道
和
内核
有关更多详细信息：。。。我希望这有帮助
我也遇到了这个问题。正如在这里的另一个答案中所建议的那样，使用-1是行不通的。相反，您必须抓住传入张量的形状并构造
output\u size
参数。这是我写的一个测试的摘录。在这种情况下，它是未知的第一维度，但它应该适用于已知和未知参数的任何组合

output_shape = [8, 8, 4] # width, height, channels-out. Handle batch size later
xin = tf.placeholder(dtype=tf.float32, shape = (None, 4, 4, 2), name='input')
filt = tf.placeholder(dtype=tf.float32, shape = filter_shape, name='filter')

## Find the batch size of the input tensor and add it to the front
## of output_shape
dimxin = tf.shape(xin)
ncase = dimxin[0:1]
oshp = tf.concat([ncase,output_shape], axis=0)

z1 = tf.nn.conv2d_transpose(xin, filt, oshp, strides=[1,2,2,1], name='xpose_conv')

我找到了一个解决方案，将tf.shape用于未指定的形状，并将_shape（）用于指定的形状

def get_deconv_lens(H, k, d):
    return tf.multiply(H, d) + k - 1

def deconv2d(x, output_shape, k_h=2, k_w=2, d_h=2, d_w=2, stddev=0.02, name='deconv2d'):
    # output_shape: the output_shape of deconv op
    shape = tf.shape(x)
    H, W = shape[1], shape[2]
    N, _, _, C = x.get_shape().as_list()
    H1 = get_deconv_lens(H, k_h, d_h)
    W1 = get_deconv_lens(W, k_w, d_w)

    with tf.variable_scope(name):
        w = tf.get_variable('weights', [k_h, k_w, C, x.get_shape()[-1]], initializer=tf.random_normal_initializer(stddev=stddev))
        biases = tf.get_variable('biases', shape=[C], initializer=tf.zeros_initializer())

    deconv = tf.nn.conv2d_transpose(x, w, output_shape=[N, H1, W1, C], strides=[1, d_h, d_w, 1], padding='VALID')
    deconv = tf.nn.bias_add(deconv, biases)

    return deconv